Cómo el contexto UX ayuda a la IA a generar interfaces coherentes con los usuarios
La IA diseña mejores interfaces cuando recibe contexto UX estructurado junto al código, con investigación, normas y sistema visual que guíen sus decisiones.
Resumen del artículo publicado en nngroup.com y recomendado por Digital Skills Institute el 1 de octubre de 2026.
Un archivo de texto junto al código puede hacer que una herramienta de IA deje de “adivinar” cómo debe diseñar una interfaz y empiece a aplicar colores, tipografías, espaciados, normas de interacción y aprendizajes de investigación de forma coherente. Esa es la idea que ejemplifica DESIGN.md, un formato abierto por Google Labs en abril de 2026 para describir la identidad visual de un producto a herramientas de programación asistida por IA. El archivo combina valores exactos legibles por máquina, como tamaños tipográficos o radios de borde, con explicaciones en lenguaje natural sobre cómo usar esos valores, incluidas recomendaciones y prohibiciones.
La generación de interfaces mediante IA depende del contexto que recibe el modelo: la petición del usuario, las instrucciones, los estándares, los ejemplos y cualquier información añadida. Sin ese contexto, el resultado tiende a ser genérico. Si se pide una pantalla de búsqueda, el modelo produce una versión media basada en las muchas pantallas similares vistas durante su entrenamiento. Sabe cómo suele parecer el software, pero no conoce a los usuarios concretos, el dominio del producto ni lo aprendido por el equipo mediante investigación. La comparación propuesta es la de un constructor competente que diseña una casa sin conocer a la familia: hará una vivienda promedio que puede fallar si alguien usa silla de ruedas, si hay un bebé que necesita dormir cerca o si dos adultos trabajan desde casa.
La expansión de estas herramientas cambia quién toma decisiones de diseño. Un responsable de producto puede pedir un boceto rápido antes de una reunión; un ingeniero puede solicitar a un asistente que añada una función de exportación y ese asistente decidir dónde colocar el botón, qué texto usar o cómo mostrar errores. Impedir que otros perfiles diseñen no resulta práctico cuando las herramientas son accesibles y rápidas. La cuestión pasa a ser cómo conseguir que cualquier producción generada por IA incorpore lo que la organización sabe sobre sus usuarios y sus estándares.
Durante años, la investigación UX produjo entregables pensados para personas: arquetipos, mapas de viaje, informes o wireframes anotados. Si la IA participa cada vez más en la construcción del producto, esos materiales deben transformarse en contexto útil para modelos. De ahí surge el diseño de contexto UX: descubrir, seleccionar y convertir el conocimiento sobre usuarios, dominio y comportamiento del producto en instrucciones o archivos que guíen todo lo generado por IA. También implica comprobar si ese contexto mejora realmente los resultados y ajustarlo con el tiempo.
No basta con volcar entregables tradicionales en una herramienta. Una persona puede recordar mejor un perfil gracias a una foto ficticia y un nombre; un modelo necesita razones explícitas y restricciones aprovechables. Las transcripciones brutas pueden ayudar a extraer hallazgos, pero sin criterio humano el sistema puede perder conclusiones relevantes o fijarse demasiado en elementos secundarios. Por eso se plantea crear materiales preparados para IA: legibles por máquina cuando sea necesario, curados por especialistas y disponibles para cualquiera que genere diseños o software.
Una extensión hipotética sería UX.md, un archivo más amplio que DESIGN.md. Podría remitir al sistema visual y a los componentes reales del código, pero añadir síntesis de investigación formuladas como restricciones operativas: por ejemplo, “los usuarios abandonan la configuración cuando se les pide información que no tienen a mano”. También incluiría normas de interacción sobre confirmaciones, posibilidad de deshacer acciones o redacción de errores; un glosario con términos del dominio; modelos de usuario sobre conocimientos, preocupaciones y objetivos; y modelos del entorno donde se usa el producto.
Ese contexto permitiría adaptar las decisiones generadas por IA según condiciones reales. Si la investigación muestra que los usuarios trabajan durante horas tomando decisiones complejas con muchas variables, la herramienta tendería hacia pantallas más densas con más información visible. Si el producto se usa unos minutos al mes, debería favorecer menos opciones por pantalla. En proyectos grandes quizá no bastaría un único archivo: UX.md podría funcionar como índice hacia varias carpetas o servirse mediante otros mecanismos técnicos.
La diferencia principal frente a los entregables clásicos es que estos materiales no se miden por su capacidad para convencer a partes interesadas humanas, sino por cuánto mejoran lo generado por IA. Tampoco quedan separados del producto: viven junto al código, cambian con él y son leídos cada vez que alguien genera algo. Su mantenimiento exige investigación continua y observación constante de los errores del modelo.
Aún quedan preguntas abiertas: qué artefactos tradicionales aportan más valor como contexto, cuándo conviene usar datos brutos, cómo medir la eficacia o si existe exceso de contexto. Mientras los modelos evolucionen habrá decisiones actuales que quizá deban revisarse después. El camino práctico consiste en empezar con hallazgos bien formulados sobre usuarios en archivos simples tipo markdown, hacer legible el sistema de diseño para las máquinas y observar cómo cambia la calidad del trabajo generado.
