IA y experiencia de usuario: diseñar la confianza justa
La IA cambia la experiencia de usuario porque la interfaz deja de responder siempre lo mismo a la misma pregunta: ahora da respuestas probables. El objetivo de diseño ya no es que el usuario confíe al máximo, sino que confíe lo justo: que sepa cuándo actuar, cuándo comprobar y cuándo la IA no sabe.
¿Qué cambia cuando una interfaz deja de ser determinista?
Durante décadas, el diseño de interfaces ha descansado sobre una promesa sencilla: el mismo botón hace siempre lo mismo. Un filtro devuelve las mismas filas y un formulario valida igual cada vez. Aprendes la herramienta una vez y te fías de ella.
Con un modelo dentro, esa promesa se rompe. La misma entrada puede dar una respuesta distinta, y una respuesta equivocada suena exactamente igual que una acertada: el mismo tono, el mismo formato, la misma seguridad.
Eso le pide a tu usuario algo que antes no necesitaba: saber cuánto fiarse de lo que ve. Si la interfaz no se lo dice, lo deducirá a su manera, y casi siempre mal.
En nuestro equipo, el diseño viene de la dirección creativa y de UX en un operador de telecomunicaciones nacional y de proyectos para grandes firmas de banca, energía y servicios financieros. En esos entornos una pantalla confusa ya costaba llamadas y errores. Con IA, una pantalla que aparenta más seguridad de la que tiene puede costar una decisión.
¿Qué es la confianza calibrada y por qué es el objetivo?
La confianza calibrada es que el usuario se fíe de cada respuesta en proporción a lo que esa respuesta merece. Ni más ni menos. Tiene dos maneras de fallar:
- Sobreconfianza: el usuario lo acepta todo, también el error. La IA decide de hecho, aunque nadie haya decidido que lo haga.
- Infraconfianza: el usuario lo revisa todo o lo ignora todo, también el acierto. La IA no aporta nada y encima cuesta.
La segunda es más común de lo que parece. Una alerta que no se puede comprobar acaba silenciada, y un asistente que se equivocó dos veces con aplomo deja de usarse aunque acierte las nueve siguientes.
Por eso el objetivo no es «que se fíen de la IA», sino que se fíen cuando toca. Es la cara visible de lo que llamamos IA que rinde cuentas: cada respuesta llega con su evidencia o avisa de que no está segura.
Y se puede medir. En un piloto, mira dos cifras: cuántas respuestas acertadas descarta tu equipo y cuántas equivocadas acepta sin revisar. Si bajan las dos, la interfaz está calibrando bien.
¿Qué patrones de diseño funcionan con IA?
No hay un componente mágico. Hay un puñado de patrones que, juntos, le dan al usuario lo que necesita para decidir.
Enseña cuánto fiarse
Cada respuesta lleva su grado de confianza, en un lenguaje que el usuario entienda: alta, media, baja, o un intervalo. Cuidado con los porcentajes con decimales, que transmiten una precisión que el modelo a menudo no tiene. Y si la incertidumbre no está calibrada, dilo.
Enseña la evidencia
La respuesta va con lo que la sostiene: la cita al documento y su sección, o las variables que más pesaron en la predicción. La evidencia no es un adorno. Es lo que permite comprobar en segundos en vez de rehacer el trabajo.
Deja que la IA se abstenga
«No lo sé» es una funcionalidad, no un fallo. Un sistema que avisa cuando el dato se sale de lo que conoce, o que no encuentra respaldo y lo dice, le ahorra al usuario la peor experiencia posible: actuar sobre una respuesta inventada.
Haz fácil corregir y anular
Si el usuario sabe que la IA se equivoca, tiene que poder enmendarla sin pelearse con la interfaz. Anular una decisión debe costar un gesto, quedar registrado y no volver a aparecer en la pantalla siguiente como si nada.
Explica por capas
Primero la decisión. Después cuánto fiarse. Después el porqué. Al final, el dato en bruto. Quien opera con prisa ve lo primero; quien audita llega hasta lo último sin cambiar de herramienta.
No humanices la IA ni finjas seguridad
Ni «estoy pensando», ni disculpas efusivas, ni un tono igual de rotundo para lo seguro que para lo dudoso. Una interfaz que imita a una persona invita a confiar en ella como en una persona, y esa confianza no está calibrada.
Respeta el presupuesto de latencia
No todo cabe en el mismo tiempo. Un veredicto sobre una lectura tiene que llegar en milisegundos, en el camino del dato. Un modelo de lenguaje tarda segundos: su sitio está encima, para explicar lo que ha pasado, no en medio de cada lectura.
Que lo sensible lo apruebe una persona
La IA propone; una persona aprueba lo que tiene consecuencias. Eso es el control humano en la práctica, y el diseño tiene que dejar claro qué está propuesto y qué está hecho.
Que se entienda sin manual
Si para usar bien la IA hace falta un curso, la interfaz está trasladando su complejidad al usuario. La confianza, la evidencia y la abstención tienen que leerse a simple vista.
¿Cómo se resume cada patrón?
| Patrón | Qué ve el usuario | Por qué importa |
|---|---|---|
| Cuánto fiarse | Confianza alta, media o baja, o un intervalo | Distingue lo que puede usar de lo que debe comprobar |
| Evidencia | Cita con documento y sección, o variables que pesaron | Comprueba en segundos en vez de rehacer el trabajo |
| Abstención | «Sin respaldo» o «dato fuera de lo conocido» | Nadie actúa sobre una respuesta inventada |
| Corrección y anulación | Un control para enmendar, con registro | La persona sigue al mando y el error no se repite en silencio |
| Explicación por capas | La decisión primero, el detalle bajo demanda | Sirve a quien opera con prisa y a quien audita |
| Sin humanizar | Un tono neutro, igual de claro en lo seguro y en lo dudoso | No invita a una confianza que no se ha ganado |
| Latencia | Veredicto inmediato, explicación después | Cada cosa llega cuando es útil |
| Aprobación humana | Las propuestas, marcadas como propuestas | Lo sensible no ocurre sin que alguien lo decida |
¿Cómo lo hacemos en nuestros productos?
Para nosotros estos patrones no son teoría: son decisiones de producto.
En CogniX, nuestra IA predictiva, cada respuesta llega en cuatro partes: la decisión, cuánto fiarte de ella, un aviso si el dato se sale de lo conocido y qué variables pesaron. La incertidumbre va calibrada donde las matemáticas lo permiten, y se dice dónde no. La explicación es exacta donde el modelo lo permite y se marca como orientativa donde no. Ninguna se vende como causa.
En RAGNIX, recuperación documental con cita verificable, la regla es «cita o abstente». Cada respuesta lleva documento, revisión y sección; nunca entrega medio procedimiento, y si no encuentra respaldo, lo dice. Si algo falla, lo anuncia en vez de degradar en silencio.
En NovaeOps, nuestra plataforma AIoT, el veredicto de CogniX viaja dentro de las lecturas que eliges, con las mismas cuatro partes. Si la IA no está disponible, la lectura se guarda igual: la IA suma, pero no rompe lo que ya funcionaba. Y el veredicto informa; qué dispara una acción automática lo decides tú con reglas.
¿Por dónde empiezas?
Elige la pantalla donde tu equipo ya usa IA, o donde la va a usar, y hazte tres preguntas: ¿se ve cuánto fiarse?, ¿se ve de dónde sale?, ¿puede la IA decir que no sabe? Si alguna respuesta es no, ahí está tu primer cambio.
Si quieres hacerlo con un equipo que diseña la experiencia y construye el sistema, mira cómo trabajamos la IA aplicada, del piloto a producción.