La brecha de madurez

Diseño organizacional y preparación de UX en la era de la AI

Resumen: La implementación de AI pone de manifiesto la madurez del diseño en los procesos de desarrollo de productos. Para muchas empresas, los resultados son confrontantes. La inversión insuficiente en infraestructura de diseño, investigación y gobernanza multifuncional crea riesgos claros. Al fin y al cabo, la AI amplifica las decisiones de diseño a escala. Por eso, sus consecuencias son más rápidas, amplias y difíciles de revertir que en cualquier ciclo tecnológico anterior.

Este artículo se toma en serio ese diagnóstico. Al mismo tiempo, sostiene que esta brecha puede medirse, estructurarse y eliminarse. Para ello, el texto:

1. presenta una estructura de tres partes para identificar la deuda de UX, la deuda de modelo y la deuda organizacional;
2. mapea las condiciones estructurales que diferencian a las organizaciones en las que el diseño tiene autoridad institucional de aquellas en las que su papel sigue siendo consultivo;
3. defiende un modelo organizacional específico: el diseño como disciplina autónoma, con una arquitectura colaborativa definida, capaz de ofrecer valor centrado en las personas a escala.

Una dimensión crítica de este argumento es diseñar, a la vez, la confianza basada en el cuidado y la agencia humana. Cuando una organización no gobierna ambas, el resultado no es solo un producto por debajo de lo ideal. En la práctica, surgen sistemas que simulan una relación genuina mientras niegan su condición esencial. Por último, el McKinsey Design Index y los datos de impacto económico de Forrester respaldan el argumento de inversión para quienes actúen ahora.

Lo que revela la AI y por qué es una oportunidad

La AI expone problemas que ya existían

La implementación de AI no crea problemas de diseño organizacional. En realidad, los revela, con velocidad y a escala. Muchas organizaciones enfrentan baja calidad en sus productos de AI y poca adopción. Además, persiste una brecha entre lo que sus sistemas hacen y lo que los usuarios necesitan. Sin embargo, en la mayoría de los casos documentados, la causa no está en las limitaciones de los modelos. El problema es que el diseño, como práctica institucional, nunca tuvo la autoridad ni el alcance para definir qué debían hacer esos sistemas.

Una ventana de oportunidad para los líderes

Para los líderes, la reformulación productiva es la siguiente: la AI ha hecho visible el coste de la inmadurez en diseño. Además, lo ha hecho en un momento en el que corregirla todavía es gestionable. Las empresas que tratan esta situación como un diagnóstico, y no como una sentencia, pueden cerrar la brecha ahora. En esta ventana, la inversión necesaria es limitada y el retorno competitivo es significativo. Por el contrario, quienes la tratan como una condición fija acumulan consecuencias al mismo ritmo al que avanza su implementación de AI.

Qué define a una organización madura en diseño

En una organización madura en diseño, la experiencia humana tiene autoridad institucional para limitar las decisiones técnicas y de negocio. Es decir, no sirve solo para informarlas después. Esta autoridad es estructural y abarca todo el alcance del diseño en los sistemas de AI. Incluye la interfaz y el lenguaje visual, pero también el registro comunicativo y la arquitectura conductual. Asimismo, abarca el equilibrio entre el cuidado y la agencia humana. También cubre lo que el sistema hará o no hará por el usuario. Por primera vez, la implementación de AI hace que esta autoridad sea medible en los resultados de los productos. Y lo hace a una escala que capta la atención de la dirección ejecutiva.

Tres formas de deuda organizacional

Las organizaciones que implementan AI sin una infraestructura de diseño madura suelen acumular tres formas de deuda. Son distintas, pero están interrelacionadas. Además, requieren intervenciones diferentes y tienen plazos de recuperación distintos. Aun así, identificar las tres ya sitúa a la empresa en ventaja. Al fin y al cabo, la precisión del diagnóstico es la condición para actuar sobre cualquiera de ellas.

Deuda de UX

La deuda de UX es el déficit acumulado de decisiones de experiencia de usuario no resueltas. Reúne cada patrón de interacción adoptado por velocidad y no por la necesidad del usuario. También incluye cada hallazgo de investigación reconocido y después despriorizado, así como cada punto de fricción aplazado para una iteración que nunca llegó.

En los productos con AI, esta deuda se vuelve estructuralmente peligrosa. Esto se debe a que los resultados probabilísticos trasladan la carga interpretativa a usuarios que deben decidir con base en respuestas variables. Cuando el diseño de la interacción es incoherente, esta carga cognitiva se acumula. Luego, la falta de confianza crece con rapidez y en silencio. Por otro lado, la deuda de UX es la más fácil de resolver de las tres. Es visible en la investigación con usuarios y puede recuperarse con inversiones específicas. Además, genera retornos medibles en adopción y retención dentro de un ciclo de producto razonable.

Deuda de modelo

La deuda de modelo es la brecha entre aquello que los sistemas de AI están optimizados para lograr y aquello que los usuarios realmente necesitan. Surge cuando las métricas de entrenamiento son sustitutos del valor para el usuario, y no medidas directas de ese valor. Por ejemplo, el engagement sustituye al valor genuino, la duración de la sesión al uso significativo y las puntuaciones de confianza a la precisión contextual.

Sin investigación integrada en el desarrollo, los sistemas de AI se diseñan para un usuario que nunca ha sido realmente observado (Auernhammer, 2020). Así, esta deuda aparece en puntuaciones altas de precisión combinadas con una caída del engagement. Del mismo modo, surge en resultados técnicamente correctos acompañados de baja adopción. Para abordarla, hay que rediseñar los ciclos de feedback entre la investigación con usuarios y la optimización del modelo.

Deuda organizacional

La deuda organizacional es la más significativa desde el punto de vista estructural. Al fin y al cabo, es la que permite que las otras dos se acumulen sin control. Esta deuda se refiere a los acuerdos institucionales que impiden que el diseño opere con la autoridad que exige su alcance. Entre ellos están los equipos de diseño subordinados a la gestión de producto, sin una posición independiente. También hay hallazgos de investigación filtrados por capas de priorización sin conocimiento de diseño. Por último, el diseño suele estar ausente de las salas donde se decide sobre automatización, uso de datos y comportamiento de los sistemas.

A veces, el diseño no tiene una posición institucional en estas decisiones. Entonces, la distribución de la agencia entre la persona y el sistema queda en manos de quien sí la tiene (Shneiderman, 2022). Como resultado, surgen sistemas que cumplen su función declarada, pero niegan a los usuarios las condiciones participativas que hacen sostenible una confianza genuina.

Un ejemplo práctico en el sector de seguros

Estos patrones son reconocibles en los proyectos. En un cliente del sector de seguros, por ejemplo, el problema declarado era la baja madurez en investigación. No había procesos estandarizados ni repositorios compartidos. Además, el trabajo se hacía de forma ad hoc y los equipos repetían estudios que ya existían.

Por eso, la respuesta abordó primero las estructuras, para que la capa tecnológica viniera después. Inicialmente, se realizaron diecisiete entrevistas con equipos internos para diagnosticar hacia dónde iba realmente el esfuerzo. A continuación, se crearon templates, guías metodológicas, procesos de reclutamiento y compliance, y un único repositorio. El resultado fue un conocimiento centralizado, con menos trabajo duplicado. Así, los equipos pasaron a realizar sus propias investigaciones, y los insights llegaron a la dirección en un formato consistente. Solo después se incorporó la capacidad de AI sobre esta base.

Intervenciones iniciales: por dónde empezar

Para empezar a reducir estas deudas, cinco acciones iniciales marcan la diferencia:

• Auditar dónde participa actualmente el diseño en las decisiones sobre los sistemas de AI y mapear explícitamente las brechas.
• Establecer los hallazgos de investigación como inputs documentados, con relaciones trazables con las decisiones de producto.
• Dar al diseño un lugar permanente en la especificación del comportamiento, los patrones y los niveles de automatización de la AI.
• Desarrollar, en el nivel directivo, conocimientos de diseño suficientes para decidir sobre recursos con criterio.
• Definir un indicador medible de la calidad de la confianza en los datos actuales del producto y monitorizarlo cada trimestre.

Lo que pierden las organizaciones cuando el diseño es solo visual

Los canales invisibles de la comunicación

Uno de los puntos ciegos más costosos en las prácticas de diseño inmaduras es tratar el diseño como una disciplina visual. Cuando limitan el diseño a la interfaz gráfica, las organizaciones ignoran el trabajo comunicativo que realizan todos los demás canales. Y son precisamente esos canales los que conectan sus productos de AI con los usuarios.

Una AI conversacional se comunica a través de sus palabras. Sin embargo, también lo hace mediante su latencia, el ritmo de sus respuestas y el vocabulario que selecciona. Del mismo modo, su tolerancia a la ambigüedad y la forma en que presenta lo que no sabe envían señales. Cada uno de estos canales moldea el comportamiento del usuario con independencia del contenido semántico. La teoría de la comunicación multimodal de Kress explica esta estructura: cada modo de comunicación tiene un potencial de significado propio (Kress, 2010). Por lo tanto, la coherencia entre los modos es una responsabilidad del diseño. Las organizaciones que nunca han estructurado esta responsabilidad no pueden asumirla solo contratando más ingenieros o añadiendo revisiones de diseño al final.

El coste de la incoherencia comunicativa

En la práctica, la consecuencia aparece en un patrón específico de los datos de productos de AI. Los sistemas técnicamente capaces y visualmente refinados, pero incoherentes en su comunicación, pierden profundidad de engagement. Además, el alcance de las tareas disminuye y la verificación de los resultados aumenta. Poco a poco, los usuarios también dejan de aportar el contexto específico que hace que la interacción con AI sea realmente valiosa.

Reconocer el alcance multimodal del diseño es, por lo tanto, uno de los cambios estructurales más rápidos y con mayor retorno. Esto se debe a que redefine qué abarca la gobernanza del diseño. Al mismo tiempo, hace visibles decisiones que antes eran invisibles, sin exigir grandes inversiones.

La brecha de autoridad, el riesgo del valle inquietante y la madurez estructural

El diseño como informante o como restricción

Hay que distinguir entre el diseño como informante y el diseño como restricción institucional. Esta es la decisión organizacional más importante en el desarrollo de productos con AI. Una organización puede contar con equipos de diseño sólidos, sistemas visuales maduros e inversión genuina en investigación. Aun así, puede tratar el diseño como consultivo en las decisiones que realmente determinan cómo se comportan los sistemas.

El valle inquietante relacional

Esta brecha de autoridad produce un riesgo que va más allá de la calidad del producto. A veces, el diseño puede moldear la interfaz, pero no la arquitectura conductual que define cómo el sistema posiciona al usuario. En ese caso, le falta la posición necesaria para gobernar a la vez la confianza basada en el cuidado y la agencia humana. Por consiguiente, las organizaciones corren el riesgo de crear sistemas de AI que simulan una relación genuina mientras niegan su condición esencial.

Para los investigadores de la percepción de la mente y de la AI social, este efecto equivale a un valle inquietante relacional (Gray & Wegner, 2012; Mori, 1970/2012). Son sistemas lo bastante cercanos al cuidado genuino como para despertar un vínculo. No obstante, les falta la agencia humana recíproca que hace real la relación. Para el producto, la consecuencia es el fallo estructural de confianza documentado en las investigaciones sobre adopción de AI. Los usuarios crean un vínculo y, después, enfrentan un fallo que parece desproporcionadamente personal. De hecho, la relación que creían tener no correspondía con lo que estaban viviendo.

La autoridad del diseño es la condición organizacional que evita este escenario. Esto se debe a que diseñar el cuidado y la agencia en conjunto, en lugar de oponerlos, requiere una posición institucional del diseño.

Las etapas de la madurez en diseño

La evolución hacia la madurez en diseño no es binaria. Al contrario, las organizaciones avanzan por un espectro con indicadores reconocibles. En la etapa inicial, el diseño tiene un estatus consultivo y poca integración con la investigación. En la etapa intermedia, en cambio, tiene autoridad documentada sobre el comportamiento de las interacciones y participa en las especificaciones de los sistemas de AI. Por último, en la etapa madura, la experiencia humana funciona como una restricción estricta en el desarrollo. Esto incluye el equilibrio entre el cuidado y la agencia. En esta etapa, el diseño tiene una posición equivalente a la ingeniería y la gestión de producto en las decisiones de mayor impacto.

El McKinsey Design Index identifica cuatro dimensiones de madurez en diseño (McKinsey & Company, 2018). Según el estudio, las organizaciones con mejor desempeño no se distinguen solo por el tamaño de sus equipos o por la inversión en investigación. En realidad, se diferencian porque la dirección sénior trata las decisiones de diseño como decisiones de negocio. De ese reconocimiento depende la evolución.

Una disciplina en movimiento: autonomía, alcance y colaboración

Un diseño que sigue el ritmo del mercado

Existe una dimensión de la madurez en diseño que va más allá de la estructura de la deuda. Resulta especialmente relevante para las grandes organizaciones de consultoría y tecnología que atienden mercados B2B. De hecho, el diseño no es una disciplina que llegue a un estado estable. Su legitimidad depende de la capacidad continua de responder a los cambios en el comportamiento del consumidor, el mercado y la tecnología. A escala, una función de diseño que no sigue el ritmo del mercado ya se ha quedado atrás. Y eso ocurre sea cual sea el tamaño de su equipo o de sus herramientas.

Un alcance transversal

En las organizaciones con múltiples prácticas, el diseño ocupa de forma natural la capa de las necesidades humanas y del comportamiento del consumidor. A su vez, esa capa atraviesa todas las áreas de actuación. Service Design y Design Thinking orientan la forma en que las organizaciones transforman sus modelos operativos. Product Design, por su parte, determina cómo esos modelos crean valor para los usuarios finales. Por otro lado, las estrategias de crecimiento requieren comprender la adopción, la confianza y la motivación conductual, temas guiados esencialmente por el diseño.

Estas disciplinas no pertenecen a una única área de actuación. Su valor surge precisamente de su alcance transversal entre desarrollo, ingeniería, infraestructura, seguridad, cloud, datos y analytics, conocimiento de la industria y posicionamiento de mercado. Por eso, el diseño necesita su propia autonomía departamental. No porque se superponga a las demás disciplinas, sino porque su contribución es multifuncional por naturaleza. Así, confinarlo a una única línea de reporte rompe las conexiones mediante las cuales genera valor (Verganti et al., 2020).

Autonomía con un modelo colaborativo claro

En este contexto, la autonomía significa que el diseño posee su propia posición epistemológica. Dicho de otro modo, tiene autoridad para definir qué es un problema de experiencia humana y qué investigación se necesita para responderlo. También le corresponde establecer las consideraciones de experiencia humana como restricciones para la ingeniería, los datos y la infraestructura. Esto incluye el equilibrio entre el cuidado y la agencia, que determina si la confianza será sostenible.

Para que esta autonomía funcione, el modelo colaborativo debe ser claro. Cada disciplina es responsable de su ámbito de autoridad. Además, contribuye a las decisiones de otras áreas mediante protocolos definidos, y no a través de negociaciones ad hoc.

Lo que el diseño lidera

• Calidad de la experiencia humana en todos los puntos de contacto
• Patrones de comunicación conductual y multimodal
• Metodología de investigación y autoridad sobre los insights de los usuarios
• Facilitación de Service Design y Design Thinking
• Product Design y estrategia de experiencia de crecimiento
• Restricciones de experiencia humana en el diseño de sistemas de AI

Dónde colabora el diseño con otras disciplinas

• Ingeniería: viabilidad de la interacción y comportamiento del sistema
• Datos y analytics: métricas de experiencia y ciclos de feedback
• Infraestructura y seguridad: experiencia dentro de los límites técnicos
• Cloud: escalabilidad de arquitecturas de productos centrados en las personas
• Conocimiento de la industria: contexto del dominio para el diseño de la experiencia
• Posicionamiento de mercado: posicionamiento fundamentado en el valor humano

La madurez se construye

Este modelo describe los protocolos de contribución: dónde lidera el diseño, dónde colabora y dónde se toman las decisiones en conjunto. Las organizaciones que lo han hecho explícito informan de ciclos de decisión más cortos y menos retrabajo. También observan una mayor confianza multifuncional en las contribuciones del diseño.

Además, este tipo de madurez puede construirse; no necesariamente tiene que contratarse. Internamente, más del cuarenta por ciento de las personas ya utiliza herramientas de AI con regularidad, y esa cifra sigue creciendo. Este uso se distribuye en cinco regiones, con una capacidad que aumenta a un ritmo comparable en cada una. El mecanismo no fue una función central de revisión. En una región, por ejemplo, fue una estructura de embajadores que creció de tres squads a alrededor de diez. Allí, la disciplina de diseño se integró en cada squad, en lugar de evaluar su trabajo desde fuera. Donde la capacidad ya se ha extendido, la gobernanza debe crecer hacia los lugares donde se realiza el trabajo.

El caso de inversión y el perfil de recuperación

La evidencia financiera

La evidencia financiera sobre la madurez del diseño como disciplina de negocio ya es sustancial. En cinco años, las empresas del cuartil superior de madurez en diseño superaron los benchmarks de sus sectores en 32 puntos porcentuales en crecimiento de ingresos. En el retorno total para los accionistas, la diferencia fue de 56 puntos porcentuales (McKinsey & Company, 2018).

Del mismo modo, un estudio de impacto económico de Forrester Consulting identificó un ROI del 301 % en tres años con prácticas de diseño empresarial. Ese retorno se debió, sobre todo, a la reducción del retrabajo y a la aceleración de la entrega. Además, el tiempo dedicado al diseño y la alineación se redujo un 75 %, y los defectos de diseño cayeron a la mitad (Forrester Consulting, 2018).

El coste oculto de las solicitudes de cambio

Este mecanismo también se observa en nuestro historial de entregas. En proyectos de ocho a diez sprints con poco tiempo para la investigación de diseño con usuarios, observamos un retraso medio de dos a cuatro sprints. Después, las solicitudes de cambio suman alrededor de un veinte por ciento adicional al precio total del proyecto.

Sin embargo, este coste no aparece como un exceso presupuestario. Llega como una serie de solicitudes de cambio individualmente razonables, cada una justificada por algo descubierto tarde. Así, el proyecto lo absorbe como una evolución normal del alcance. Una organización que nunca ha sumado esas solicitudes nunca ha visto la cifra total. Por eso, la misma decisión sigue tomándose.

Retorno en 12 a 18 meses

Estas cifras describen el destino. En cambio, el perfil de recuperación de las organizaciones que parten de una posición cercana al diseño es alentador. El retorno de los primeros cambios estructurales se materializa dentro de los ciclos normales de producto. Tras 12 a 18 meses de aplicación consistente, los efectos exponenciales ya son visibles. Se notan en la adopción, los costes de soporte y la reducción del retrabajo. Es decir, no hace falta alcanzar la madurez completa en diseño para que la inversión empiece a generar retornos.

Confianza genuina y sostenibilidad

Hoy, la dimensión de sostenibilidad de este argumento también se apoya en datos que van más allá de los índices de inversión en diseño. Las organizaciones que diseñan para una confianza genuina combinan una orientación basada en el cuidado con la preservación de la agencia humana. Como resultado, obtienen una lealtad del cliente que se sostiene en el tiempo. Esa lealtad nace del valor percibido, y no de la fricción de salida o de una dependencia diseñada.

Las investigaciones sobre la diferencia financiera entre la retención genuina y la coercitiva documentan este contraste (Reichheld, 2003; Edelman, 2024). Se refleja en el Net Promoter Score, en las curvas de retención a largo plazo y en las métricas de confianza en la marca. En el primer caso, estas métricas pueden recuperarse; en el segundo, no. Para quienes invierten en AI a escala, la madurez en diseño es, por lo tanto, decisiva. Determina si la tecnología producirá valor comercial sostenible o una deuda sistemática de confianza. Por eso, ambas inversiones deben crecer juntas.

Referencias

• Auernhammer, J. (2020). Human-centered AI: The role of human-centered design research in AI development. DRS 2020.
• Edelman. (2024). Edelman Trust Barometer. Edelman.
• Forrester Consulting. (2018). The Total Economic Impact™ of IBM’s Design Thinking Practice. Study commissioned by IBM.
• Gray, K., & Wegner, D. M. (2012). Feeling robots and human zombies: Mind perception and the uncanny valley. Cognition, 125(1), 125–130.
• Kress, G. (2010). Multimodality: A Social Semiotic Approach to Contemporary Communication. Routledge.
• McKinsey & Company / McKinsey Design. (2018). The business value of design. McKinsey Quarterly.
• Mori, M. (1970/2012). The uncanny valley (K. F. MacDorman & N. Kageki, Trans.). IEEE Robotics & Automation Magazine, 19(2), 98–100.
• Reichheld, F. F. (2003). The one number you need to grow. Harvard Business Review, 81(12), 46–54.
• Shneiderman, B. (2022). Human-Centered AI. Oxford University Press.
• Verganti, R., Vendraminelli, L., & Iansiti, M. (2020). Innovation and design in the age of artificial intelligence. Journal of Product Innovation Management, 37(3), 212–227.