¡Cómo diseñar integrando IA a los procesos de empresa!

Por: Laszlo Beke – BekeSantos.

Muchas organizaciones tienen dificultades para escalar la IA generativa y la IA con agentes y los desafíos de la adopción no son técnicos, sino principalmente experienciales. Se han estado creado sistemas que pueden razonar, crear e incluso actuar. Pero, estos siguen utilizando barras de búsqueda y chats integrados en paradigmas de interacción diseñados para la era pre-IA. Si las organizaciones quieren aprovechar el potencial de la IA, deben aprender a crear nuevos tipos de experiencias de IA que empleados y clientes adopten con entusiasmo. En al artículo se presentan cuatro principios de diseño (desarrollados por McKinsey) que permiten a las organización ofrecer resultados de mayor calidad de manera más eficiente.

Durante décadas, el software funcionó con un modelo básico: los usuarios especificaban entradas estructuradas y el sistema respondía con salidas estructuradas. La IA generativa y con agentes rompe radicalmente este modelo. Los sistemas ahora interpretan la intención, generan nuevas salidas y requieren la interacción del usuario para interactuar con ellas y refinarlas. Esto representa un cambio radical en la interacción: la interfaz ya no se basa en un conjunto fijo de controles de «comando y ejecución», sino en un modelo de «colaboración e iteración». Sin embargo, la mayoría de las organizaciones siguen diseñando para flujos de trabajo obsoletos, integrando la IA en sistemas heredados en lugar de reinventarlos. Solucionar esto requerirá más que capacitar al personal para mejorar la interacción. Implicará diseñar sistemas que incorporen el juicio humano directamente en el modelo de interacción.

Una nueva tecnología con nuevos desafíos de diseño

En general, los líderes se enfrentan a cuatro problemas clave que deben superar:

• Ambigüedad de la intención– Incapacidad para comprender lo que los usuarios desean. Los modelos de lenguaje complejos pueden aproximar el significado, pero no siempre pueden inferir la intención completa detrás de una solicitud, Muchas experiencias aún carecen de mecanismos de aclaración eficaces. Por ello, la ambigüedad suele quedar sin resolver y las interpretaciones erróneas no se corrigen antes de ejecutar la tarea.
• Lagunas de contexto: Incapacidad para saber qué información se requiere. Los sistemas no están diseñados para identificar, solicitar o recuperar la información necesaria para realizar una tarea de forma exhaustiva y precisa. La IA a menudo procede con una comprensión parcial del contexto.
• Resultados genéricos: Incapacidad para aplicar estándares con especificidad. Los usuarios esperan respuestas relevantes, detalladas y de alta calidad, pero debido a que la IA no comprende los patrones y requisitos específicos del negocio ofrece resultados genéricos y decepcionantes que requieren una edición exhaustiva.
• Iteración no colaborativa: Incapacidad para evolucionar el trabajo con el usuario. La IA se centra en generar resultados en lugar de pensar en conjunto.

Sin visibilidad sobre cómo se toman las decisiones, por qué se realizan las acciones o cuándo se requiere la intervención humana para obtener resultados óptimos, la confianza del usuario nunca se desarrolla plenamente. Como resultado, las herramientas de IA no escalan y el impacto significativo en toda la organización sigue siendo difícil de alcanzar. Esta falta de alineación no es técnica, sino experiencial.

Diseñando experiencias inteligentes y escalables

La IA generativa y la IA con agentes introducen comportamientos, ambigüedad, variabilidad y razonamiento probabilístico para los cuales los patrones tradicionales de experiencia de usuario nunca fueron diseñados. Para que estos sistemas funcionen, requerirán un nuevo vocabulario de patrones de diseño nativos de IA. Se debe crear con claridad para asegurar que los sistemas de IA evolucionen con los usuarios, aportar profundidad a los flujos de trabajo para que los resultados reflejen la experiencia real y orquestar la cocreación para que las personas y los agentes de IA den forma al trabajo juntos.

Principio de diseño de la era de la IA – para impulsar experiencias nativas de IA efectivas

1. Liderar con claridad– Diseñar sistemas cuya lógica, supuestos y resultados sean claros, permitiendo a los usuarios comprenderlos con confianza y que la inteligencia se explique por sí misma. Los sistemas deben revelar cómo se llega a las conclusiones, dónde existe incertidumbre y qué compensaciones influyeron en el resultado. Ejemplo: Un especialista en mercadeo solicita a una herramienta de IA que sugiera ajustes de diseño y texto para una campaña. En lugar de proporcionar una respuesta inmediata (como sugerencias específicas de diseño o texto), la IA formula preguntas aclaratorias, recopila requisitos detallados, reformula su comprensión y solo entonces colabora con el especialista en marketing para analizar la solicitud.
2. Diseñar para la continuidad: Mantener el contexto y la memoria en todas las interacciones para crear experiencias coherentes, personalizadas y fluidas a lo largo del tiempo. La IA debe reconocer el progreso entre los usuarios y los pasos, recordando lo anterior para poder anticipar lo siguiente. La continuidad transforma los resultados inconexos en impulso. Ejemplo: Una herramienta de IA para campañas de marketing ayuda a los analistas a probar conceptos en múltiples rondas de encuestas. Cuando llegan los resultados de la Ronda 2, la IA no solo resume los nuevos datos, sino que también conecta automáticamente las conclusiones de las Rondas 1 y 2.. La IA proporciona entonces recomendaciones holísticas basadas en el aprendizaje acumulativo, no en datos puntuales.
3. Enfoque en la profundidad – Habilitar flujos de trabajo complejos, multietapa y específicos del dominio que vayan más allá de las interacciones individuales para respaldar resultados integrales significativos, ello implica automatizar flujos de trabajo completos en lugar de simplemente proporcionar respuestas. La verdadera oportunidad reside en el potencial de la IA para conectar procesos de múltiples pasos que los trabajadores humanos siguen instintivamente, como la recopilación de datos, la aplicación de la lógica, la prueba de alternativas y el perfeccionamiento de los resultados. Ejemplo: Un especialista en mercadeo inicia un plan de investigación y el sistema automáticamente reúne un equipo de agentes de IA especializados que actúan como comité de evaluación. Cada agente analiza el borrador del plan desde su propia perspectiva (datos, conocimiento de la audiencia, contexto competitivo y calidad creativa) y proporciona razonamientos, recomendaciones y mejoras en forma de un plan de investigación de alta calidad y con un profundo razonamiento.
4. Orquestar la cocreación – Combinar el juicio humano con la inteligencia artificial, creando entornos donde la experiencia humana y los agentes de IA colaboren fluidamente, tanto en tiempo real como entre disciplinas, para amplificar el impacto. El futuro del trabajo dependerá de la eficacia con la que las personas y los sistemas de IA compartan responsabilidades. El objetivo no es que las personas corrijan el sistema a posteriori, sino diseñar interacciones entre humanos e IA que simplifiquen, reinventen y perfeccionen el trabajo en sí, de manera que mejore con cada interacción para generar resultados reales. Ejemplo: En lugar de posicionar a la IA como autora principal y al especialista en mercedo como revisor posterior, este modelo replantea la creación como un proceso colaborativo. La IA y los especialistas en marketing humanos generan en conjunto, aportando fortalezas distintas: claridad estructural y enfoque estratégico por parte de la IA, y juicio contextual y matices creativos por parte de los humanos. El sistema luego explicita estas fortalezas, compara alternativas y capacita al especialista en marketing para determinar qué funciona mejor.

Una nueva era para las experiencias de IA

Para los líderes – es esencial establecer una visión clara de cómo la IA transformará la forma en que su organización crea valor.

Para los diseñadores – el alcance está cambiando: de dar forma a las interfaces a diseñar cómo interactúan las personas y los sistemas.

Para los gerentes de producto – la IA generativa y la IA con agentes cambian fundamentalmente la lógica de la definición del producto. Los requisitos se convierten en resultados, no en características, y los modelos de interacción son más adaptables y menos deterministas.

Se hace referencia Building next-horizon AI experiences. La imagen es cortesía de Google Gemini.