“Si la IA ya puede generar interfaces en segundos, ¿por qué sería necesario un equipo de diseño?”

Es una pregunta Natalia Daffunchio , líder de UX de Nybble, escucha una y otra vez. Con más de 25 años de experiencia en diseño gráfico, una auténtica pasión por la tecnología y 8 años en nuestro equipo, habla desde ambas perspectivas de la transformación: conoce a fondo los fundamentos y ha estado utilizando las nuevas herramientas desde el primer día.

En este artículo, nos guía a través del proceso de un equipo real de UX: cómo encaja la IA en cada etapa del diseño, qué hace bien, dónde falla de forma predecible y por qué la narrativa de reemplazo no coincide con lo que estamos viendo en la práctica.

Del experimento al método

Como muchos equipos, el nuestro comenzó con cierta timidez. Al principio, la IA era un espacio para plantear preguntas y comprobar si las respuestas tenían sentido. Con el tiempo, esa exploración se volvió más seria y la IA se integró en el flujo de trabajo.

Nuestro equipo de UX trabaja con el método Double Diamond organiza el proceso en cuatro etapas: descubrir, definir, desarrollar y entregar. En lugar de buscar una herramienta que lo hiciera todo, determinaron cuál ofrecía los mejores resultados en cada etapa. Esto puede parecer un detalle operativo, pero dice mucho sobre cómo el equipo concibe la IA: no como una solución milagrosa, sino como un conjunto de capacidades que hay que saber combinar.

Descubrir: alimentar antes de preguntar

La primera fase contiene el mayor volumen de información: documentación técnica, entrevistas, grabaciones y materiales del cliente. Aquí es donde la IA se vuelve fundamental. El equipo configura un proyecto y le proporciona el material pertinente , creando un espacio único que alberga toda la base de conocimientos y facilita la comprensión en esta etapa y en todas las siguientes.

Una vez que el proyecto cuenta con el contexto suficiente, la herramienta genera un primer resumen. Ahí es donde comienza el verdadero trabajo: formular las preguntas adecuadas. La información está ahí, pero necesita condensarse y organizarse para responder a las necesidades reales. Como en una receta, el resultado depende de los ingredientes y de la precisión con la que se combinan.

El tiempo que se ahorra en esta etapa es enorme. Lo que no cambia es la revisión. El equipo nunca abandona el ciclo de revisión, validación y nueva revisión, especialmente cuando la documentación es compleja.

Definir: transformar los hallazgos en problemas concretos

El descubrimiento produce las definiciones que alimentan la segunda etapa: plantear el problema. ¿Qué se necesita resolver? ¿Qué necesita la empresa? ¿Qué necesitan los usuarios? ¿Cómo se alinean ambos aspectos? El resultado es una descripción clara del problema y un resumen que reúne todas las definiciones del proyecto.

Esta etapa exige mucha reflexión estratégica. La IA ayuda a organizar y estructurar, pero decidir qué problema merece la pena resolver sigue siendo tarea humana.

Generar ideas teniendo en cuenta el contexto (y la fricción)

Para la generación de ideas, el equipo utiliza Claude o Codex, configurados con su perfil profesional: habilidades, experiencia y métodos de trabajo. Esto elimina la necesidad de explicar el contexto en cada pregunta, y las respuestas se presentan en un lenguaje y un marco que el equipo comprende.

Generar ideas no significa aceptar lo primero que produce la IA. Un modelo puede crear prototipos y código rápidamente, pero carece de criterio para evaluar el producto: todo le parece brillante. Por eso aprendimos a ser más exigentes: cuestionar su arquitectura de la información, exigirle que justifique cada flujo, descartar soluciones mediocres y analizar los resultados con una perspectiva fresca.

Esa fricción no es un obstáculo. Es parte del proceso.

Desarrollar y entregar: donde el criterio es fundamental.

En las fases de desarrollo y entrega, Claude interviene junto con la IA integrada en Figma y FigJam. Es aquí donde se definen los flujos de trabajo, se establece el tono del producto y el equipo llega a un prototipo listo para su entrega. Y es precisamente en este punto donde el criterio del equipo cobra mayor importancia.

Los primeros resultados generados por IA presentan puntos débiles bastante predecibles. Los diseños tienden a ser convencionales y las tipografías son siempre las mismas. Los colores aparecen de forma aislada, sin un sistema de tokens, y cambian con cada iteración, lo que imposibilita establecer una base sólida para el desarrollo. El texto se recorta dentro de los componentes. Los flujos cubren el camino ideal, donde el usuario se desplaza de A a B sin problemas, pero omiten desvíos, errores y casos excepcionales.

La accesibilidad es probablemente el área más delicada : grises claros, texto ilegible, estados que dependen únicamente del color. Al mismo tiempo, surge el problema opuesto: interfaces sobrecargadas de información, con flechas e instrucciones como «toca para abrir» por todas partes. Los usuarios han aprendido a usar las interfaces digitales. La verdadera accesibilidad se integra en el código para que los lectores de pantalla funcionen y el producto sea inclusivo. Llenar la pantalla de instrucciones no es la solución.

Para solucionar todo esto se requiere conocimiento de patrones, accesibilidad, jerarquía y facilidad de escaneo. Parte de ese conocimiento se puede enseñar. Con las habilidades necesarias, Claude, Codex y otras herramientas pueden asimilar las reglas del equipo, desde el sistema de tokens hasta los criterios de contraste, de modo que cada iteración comience un paso más adelante. Lo que no se puede delegar es el criterio: saber qué regla se aplica en cada caso y comprender el contexto real en el que se utilizará el producto.

Dos casos, una lección

El primer caso fue un portal de reservas de tours para una empresa turística. En la versión inicial generada por IA, el día seleccionado no parecía estar seleccionado. La información clave se ubicaba al final de una oración, justo donde la gente lee menos. Los datos que cambiaban al elegir una opción aparecían en el lado opuesto de la pantalla, lo que obligaba a los usuarios a recorrerla para encontrar lo que necesitaban. Algunos elementos se superponían y casi todo tenía el mismo peso visual.

La versión final agrupa la información donde es necesaria, marca claramente los estados seleccionados, establece una jerarquía de lectura y sigue un sistema de diseño. Funciona en tabletas y elimina el texto redundante. El cambio más importante no fue evidente a primera vista: la carga cognitiva disminuyó notablemente.

El segundo caso fue una aplicación para un proveedor de ventanas, diseñada para usarse en el domicilio del cliente. Esto suele implicar trabajar al aire libre, bajo la luz directa del sol, con una cinta métrica en mano o incluso con guantes. La primera versión ignoraba este contexto. Era genérica, con texto pequeño y difícil de leer, y un indicador que mostraba el paso actual solo mediante colores, lo que excluía a las personas daltónicas o con baja visión.

En la versión final, dos acciones principales reemplazan a cuatro tarjetas que competían entre sí. El menú se redujo a tres puntos de acceso, la información se organiza con etiquetas que ayudan a los usuarios a priorizar y cada paso del proceso se muestra con texto, no solo con color. El flujo permite a los usuarios fotografiar la ventana, medirla automáticamente, ajustar las medidas, elegir un producto y verlo colocado en la misma imagen antes de generar un presupuesto. Lo que antes requería un viaje a la oficina para preparar una visualización, ahora se realiza al instante.

En ambos casos, la IA logró crear la primera versión rápidamente. Lo que la hacía utilizable era otra cuestión: quién lo va a usar, dónde y bajo qué condiciones.

20-60-20: ¿dónde quedó el trabajo?

En un proceso tradicional, la mayor parte del tiempo se dedicaba a la producción manual, dejando poco margen para la estrategia. Hoy en día, la distribución se asemeja más a un modelo ampliamente difundido en la industria: 20-60-20. El primer 20% corresponde al equipo: definición, toma de decisiones y redacción de las especificaciones. El 60% intermedio corresponde a la IA, que ejecuta y entrega borradores en segundos. Y el 20% final regresa al equipo: validación, corrección, cuestionamiento y redefinición hasta que la propuesta funcione.

Ese último 20% no es poca cosa. Ninguna herramienta reemplaza el criterio humano. Cuando todos usan los mismos modelos, con resultados que tienden a ser similares, la diferencia radica en un equipo que puede detectar lo que falta y tiene la valentía de ir un paso más allá.

El tiempo de producción se ha reducido considerablemente. Lo que ha cambiado es cómo se invierte el tiempo restante: menos en hacer y más en pensar.

Lo que estamos viendo en la práctica: los fundamentos no han cambiado.

La idea de que la IA reemplazará a los equipos de diseño está por todas partes. Sin embargo, en el día a día, la realidad es muy distinta. La IA ha democratizado la velocidad, y hoy cualquiera puede generar una interfaz en segundos. Pero el criterio, la experiencia y el punto de vista siguen siendo lo que convierte esa interfaz en un producto funcional.

Lo que no ha cambiado es el arte del diseño en sí: desde cómo se organiza la información hasta cómo se construye cada flujo.

Si te interesa saber más sobre nuestras soluciones de diseño UX, no dude en ponerse en contacto con nosotros.