La batalla contra la mediocridad de la IA en el diseño digital

La inteligencia artificial está modificando la manera en que se aprende y se ejerce el diseño de experiencia de usuario, pero también expone un riesgo concreto: producir soluciones visualmente aceptables, rápidas y funcionales que carecen de profundidad. Una reflexión publicada en UX Collective plantea esta tensión a partir de una conversación entre docentes de diseño de interacción, quienes advierten que la formación de diseñadores no debería reemplazar la práctica, la experimentación técnica ni la capacidad de construir prototipos por una dependencia automática de las herramientas de IA.

La discusión sobre inteligencia artificial en diseño suele concentrarse en la velocidad: generar interfaces, redactar textos, producir imágenes, ordenar investigaciones o convertir una idea inicial en una maqueta funcional en pocos minutos. Sin embargo, el problema más complejo aparece cuando esa velocidad se transforma en criterio de calidad. Un sistema puede entregar una pantalla prolija, una estructura razonable o una respuesta coherente y, aun así, construir una experiencia superficial, repetitiva o poco adecuada para las personas que deben utilizarla.

Según Fuente original, la información se basa en The aggressively mediocre fight.

Ese riesgo es el eje de una reflexión publicada en UX Collective, donde se analiza la batalla contra lo que podría describirse como una mediocridad agresiva: resultados que no son necesariamente incorrectos, pero que tienden a quedarse en un nivel promedio cuando se aceptan sin investigación, criterio ni iteración. La mirada parte de una conversación mantenida en julio de 2026 entre el autor y Maxim Safioulline, profesor de diseño de interacción, ambos vinculados a programas de diseño de experiencia de usuario en ArtCenter College of Design y Santa Monica College.

IA en diseño UX: El problema no es crear más rápido, sino pensar menos

La IA generativa puede reducir el tiempo necesario para pasar de una instrucción a una propuesta. Esa capacidad resulta valiosa en tareas exploratorias, especialmente cuando un equipo necesita comparar alternativas o visualizar una idea antes de invertir más recursos. El inconveniente surge cuando la primera respuesta del sistema se confunde con una solución terminada.

En diseño UX, una propuesta no adquiere valor únicamente por su apariencia. También debe responder a necesidades concretas, contemplar restricciones técnicas, reconocer contextos de uso y resolver fricciones reales. Una interfaz puede tener colores equilibrados y una jerarquía visual clara, pero fallar porque no contempla accesibilidad, porque exige demasiados pasos o porque utiliza un lenguaje que las personas no comprenden. La inteligencia artificial puede ayudar a detectar algunos de esos problemas, aunque no reemplaza por sí sola la observación de usuarios ni la responsabilidad de quien toma decisiones.

La expresión “agresivamente mediocre” resulta útil para describir una producción que invade el proceso con respuestas plausibles. No se trata de contenidos evidentemente malos que puedan descartarse de inmediato. Se trata de materiales que parecen suficientes y, por eso, se incorporan a productos, sitios web o servicios sin una evaluación profunda. En una organización con plazos ajustados, esa apariencia de suficiencia puede ser más peligrosa que un error visible.

La experiencia de los docentes que aprendieron construyendo

El texto recupera la trayectoria de dos docentes que se formaron en una relación directa con la tecnología. El autor cuenta que comenzó a familiarizarse con HTML y CSS al personalizar su perfil de MySpace durante su etapa universitaria, en 2003. Más adelante, tanto él como Safioulline aprendieron a manipular código y sistemas mediante proyectos, prototipos y pruebas sucesivas.

En sus recorridos aparecen tecnologías como HTML, CSS y JavaScript, además de dispositivos y placas vinculados con el desarrollo físico de prototipos, entre ellos Arduino y Raspberry Pi. El punto relevante no es la lista de herramientas, sino el método de aprendizaje: entender cómo funciona un sistema a partir de la práctica, equivocarse, modificarlo y observar las consecuencias.

El autor estudió en el programa de posgrado Media Design de ArtCenter, mientras que Safioulline cursó una maestría en Diseño y Tecnología en Parsons. Esa formación combina pensamiento conceptual, diseño visual, interacción y experimentación técnica. Desde esa perspectiva, diseñar no consiste solamente en producir entregables, sino en formular preguntas, construir hipótesis y comprobar cómo se comportan en el mundo real.

La inteligencia artificial puede acelerar muchas etapas de ese recorrido, pero también puede ocultar parte del aprendizaje. Si un estudiante obtiene código funcional sin entender su estructura, podrá completar una tarea puntual, aunque tendrá dificultades para corregir errores, adaptar el resultado o explicar por qué eligió una determinada solución. La dependencia aparece cuando la herramienta deja de ser un apoyo para convertirse en el lugar donde ocurre todo el razonamiento.

Prototipar también significa comprender los límites

El prototipado tiene una función que va más allá de mostrar una idea. Permite descubrir restricciones, detectar inconsistencias y aprender qué partes de una propuesta son técnicamente viables. Cuando un diseñador escribe una pequeña cantidad de código o conecta un sensor a una placa, no necesariamente se convierte en desarrollador especializado. Sin embargo, incorpora una comprensión práctica sobre estados, eventos, datos, tiempos de respuesta y fallas.

Esa comprensión modifica la calidad de las decisiones. Un diseñador que conoce las condiciones de una implementación puede plantear una solución más realista, conversar mejor con ingeniería y anticipar problemas antes de que lleguen a producción. También puede reconocer cuándo una promesa de automatización es exagerada o cuándo una respuesta generada por IA necesita revisión humana.

Por eso, la formación en UX, HCI y diseño de interacción enfrenta una decisión delicada. Las instituciones deben enseñar a utilizar herramientas contemporáneas, pero sin abandonar los ejercicios que desarrollan criterio. Aprender a pedirle algo a un modelo no equivale a comprender el problema que se intenta resolver. La instrucción puede ser precisa y el resultado convincente, pero la calidad seguirá dependiendo de la capacidad para evaluar, comparar y transformar esa salida.

Qué cambia para quienes estudian UX, HCI y diseño de interacción

La incorporación de IA en la educación no debería plantearse como una disputa entre tecnología y métodos tradicionales. El desafío consiste en determinar qué actividades conviene automatizar y cuáles deben conservar una participación activa del estudiante. La generación de variantes, la organización inicial de información o la simulación de escenarios pueden ser buenos usos de estas herramientas. En cambio, la investigación con personas, la interpretación de comportamientos y la justificación de decisiones requieren una responsabilidad que no puede delegarse por completo.

Un programa educativo actualizado podría pedir a los alumnos que documenten no solo el resultado final, sino también las decisiones tomadas durante el proceso. Esto incluye explicar qué problema se investigó, qué supuestos se formularon, qué instrucciones se utilizaron, qué errores aparecieron y por qué una alternativa fue descartada. El valor pedagógico se desplaza así desde el archivo terminado hacia la capacidad de argumentar y revisar.

También resulta importante enseñar a leer el código generado. No todos los diseñadores tienen que convertirse en programadores profesionales, pero necesitan reconocer estructuras básicas, dependencias, riesgos de accesibilidad y posibles vulnerabilidades. La alfabetización técnica permite hacer preguntas más precisas y evita aceptar como confiable cualquier resultado que se ejecute sin mostrar errores inmediatos.

En este punto, la crítica a la mediocridad no implica rechazar la IA. Implica exigirle un lugar adecuado dentro del proceso. Puede funcionar como interlocutora para explorar opciones, como herramienta de simulación o como apoyo para tareas repetitivas. La decisión final, sin embargo, debe surgir de una combinación de investigación, experiencia, conocimiento del contexto y evaluación de consecuencias.

El costo empresarial de las interfaces correctas pero indiferentes

Para las empresas digitales, la producción masiva de propuestas similares puede generar una homogeneización visible. Sitios, aplicaciones y tiendas en línea empiezan a compartir patrones, textos y componentes porque fueron construidos a partir de referencias parecidas. Aunque esa uniformidad puede reducir tiempos de desarrollo, también debilita la identidad de una marca y dificulta diferenciarse en mercados competitivos.

En comercio electrónico, una experiencia mediocre puede traducirse en problemas concretos: categorías difíciles de recorrer, fichas de producto poco informativas, filtros que no responden a la intención de compra o procesos de pago con fricciones innecesarias. La IA puede sugerir mejoras, pero no debería decidirlas sin datos sobre clientes, consultas, conversiones y abandonos. Una recomendación genérica no reemplaza el análisis del comportamiento real.

En productos digitales orientados a servicios, el impacto puede ser todavía mayor. Un formulario diseñado sin considerar situaciones excepcionales puede excluir a usuarios; un asistente automatizado puede responder con seguridad sobre temas que requieren intervención humana; una pantalla aparentemente simple puede ocultar información fundamental. La eficiencia de producción no compensa una experiencia que genera desconfianza o aumenta los reclamos.

Las organizaciones también deben considerar la trazabilidad. Si una pieza de código, un texto de interfaz o una decisión visual fue generada con asistencia algorítmica, el equipo necesita saber quién la revisó y con qué criterios. Esa documentación ayuda a corregir problemas, mantener consistencia y responder ante incidentes. En sectores regulados o con información sensible, la supervisión resulta aún más relevante.

Una disciplina para no aceptar la primera respuesta

La defensa contra los resultados promedio empieza por cambiar la definición de productividad. Entregar más pantallas en menos tiempo no siempre significa avanzar. Una práctica más sólida consiste en establecer instancias de contraste: probar una propuesta con usuarios, revisarla con personas de otras disciplinas, comprobar su accesibilidad y verificar si el comportamiento observado coincide con los objetivos del producto.

Otra medida es separar la exploración de la validación. La IA puede producir muchas alternativas durante una etapa inicial, pero cada alternativa debe atravesar filtros definidos. ¿Resuelve el problema original? ¿Es comprensible para el público previsto? ¿Puede implementarse con los recursos disponibles? ¿Respeta criterios de privacidad, inclusión y seguridad? ¿Aporta una mejora verificable frente a la experiencia existente?

En equipos de diseño, estas preguntas favorecen una cultura en la que disentir forma parte del trabajo. El sistema puede proponer una solución y el equipo puede rechazarla sin considerar que está desaprovechando la herramienta. La innovación no está en obedecer la salida automática, sino en usarla para ampliar la exploración sin perder la capacidad de elegir.

También es recomendable conservar espacios para el trabajo manual y la experimentación sin asistencia. Esos ejercicios permiten que los estudiantes y profesionales desarrollen intuición, comprendan materiales y detecten relaciones que no siempre aparecen en una respuesta estadística. La práctica directa sigue siendo relevante porque conecta la decisión abstracta con sus efectos concretos.

La mediocridad automatizada también afecta la visibilidad orgánica

El problema alcanza al posicionamiento web cuando la IA se utiliza para producir grandes volúmenes de páginas, descripciones o textos sin una comprensión específica de la audiencia. Los buscadores pueden encontrar documentos técnicamente bien estructurados, pero eso no garantiza que sean útiles, diferenciados ni capaces de responder con precisión a una intención de búsqueda.

Para un negocio digital, una interfaz genérica y un contenido genérico suelen reforzarse entre sí. Si las páginas repiten argumentos presentes en muchos competidores, no aportan experiencia propia y no resuelven dudas concretas, la marca pierde oportunidades de visibilidad y confianza. La revisión humana debe concentrarse en datos, contexto, claridad, accesibilidad, enlaces internos y consistencia entre lo que se promete y lo que el sitio permite hacer.

En WordPress, por ejemplo, una herramienta de IA puede colaborar con borradores, estructuras y metadatos, pero la optimización necesita integrarse con la arquitectura del sitio, el rendimiento, la navegación móvil y la calidad de las páginas. En una tienda en línea, las descripciones automatizadas deberían contrastarse con especificaciones reales, consultas de clientes y diferencias relevantes entre productos. La automatización sirve cuando mejora la utilidad; perjudica cuando multiplica páginas intercambiables.

La visibilidad orgánica también depende de señales que no se resuelven con una instrucción bien redactada: reputación, experiencia demostrable, satisfacción del usuario y capacidad de responder una necesidad concreta. La IA puede ayudar a analizar información y detectar inconsistencias, pero la diferenciación nace de los conocimientos, servicios, datos y experiencias que una empresa realmente puede ofrecer.

El futuro del diseño dependerá de la calidad del criterio

La conversación entre docentes citada por UX Collective muestra una preocupación que probablemente atraviese a toda la industria: cómo formar profesionales capaces de trabajar con sistemas generativos sin dejar de ser autores responsables de sus decisiones. La respuesta no parece estar en prohibir las herramientas ni en adoptarlas como fundamento único. Requiere una combinación de pensamiento crítico, prototipado, conocimientos técnicos, investigación y revisión.

Los diseñadores seguirán necesitando comprender a las personas, pero también deberán comprender mejor los sistemas que median sus experiencias. Eso incluye modelos de IA, bases de datos, interfaces de programación, dispositivos conectados y reglas de negocio. Cuanto más automatizado sea el entorno, más importante será reconocer sus límites y explicar por qué una solución es apropiada.

La diferencia profesional no estará solamente en quién genera más rápido una propuesta, sino en quién puede detectar cuándo una propuesta no alcanza. Allí aparece el valor de la formación práctica: construir, probar, equivocarse y volver a construir. Esa secuencia puede ser más lenta que aceptar una respuesta inmediata, pero permite crear productos con mayor coherencia, utilidad y capacidad de adaptación.

Para diseñadores, docentes y empresas, el desafío consiste en usar la inteligencia artificial como una extensión del pensamiento y no como un sustituto automático del criterio. Las herramientas van a seguir evolucionando, pero la responsabilidad de definir problemas relevantes, evaluar consecuencias y diseñar experiencias que merezcan ser utilizadas continuará dependiendo de las personas.