Cuando la IA convierte un brief desordenado en un prototipo ejecutable
La primera vez que nuestro equipo usó en serio una herramienta de prototipado con IA, lo que destacó no fue la interfaz que nos dio. Fue la rapidez con la que nuestra fase de diseño dejó de parecer una presentación y empezó a comportarse como un sistema.
Empezamos donde siempre empezamos: notas dispersas de llamadas de ventas, capturas de pantalla de flujos de la competencia, un tablero de FigJam lleno de ideas a medio cocer. Hace unos años, ese caos se habría convertido en wireframes, luego en pantallas de alta fidelidad, y después en un hilo de comentarios infinito sobre casos límite que nadie había considerado de verdad. Esta vez hicimos algo distinto. Tratamos el desorden como insumo para un conjunto de agentes cuyo trabajo no era “hacer UI”, sino producir algo que realmente pudiéramos intentar romper.
En un par de horas teníamos un prototipo ejecutable: permisos, estados básicos, una vía feliz inestable pero funcional. Parecía más acabado de lo que realmente era nuestro pensamiento—lo cual, como descubrimos, es tanto la promesa como la trampa de la IA.
De artefactos estáticos a un ciclo de diseño ejecutable
La IA está cambiando la fase de diseño, pero no como prometían las presentaciones de ventas. Lo interesante no es que podamos crear más pantallas más rápido. Lo interesante es que la propia fase de diseño se está volviendo ejecutable.
En equipos de SaaS y plataformas que trabajan con agentes en lugar de solo herramientas, el diseño ya no es una secuencia de artefactos estáticos—personas, mapas de recorrido, wireframes, maquetas, entregas. Es un bucle: investigación, suposiciones, prototipos ejecutables, evaluación, restricciones del sistema, iteración. La salida del diseñador deja de ser una pila de archivos de Figma y empieza a parecerse más a un manual de operación sobre cómo se permite que se comporte el producto—y los agentes dentro de él.
Por qué el rediseño de flujos de trabajo importa más que la adopción de IA
La mayoría de las empresas aún no están allí. La encuesta State of AI 2025 de McKinsey informa que el 88% de las organizaciones ahora usan IA en al menos una función empresarial, pero para la mayoría la IA sigue siendo un experimento añadido a los viejos flujos de trabajo. Los más exitosos tienen casi tres veces más probabilidades de haber rediseñado sus flujos de trabajo en torno a la IA y de estar más avanzados en la escalada de agentes de IA.
Esa distinción importa para el diseño. Si el proceso no cambia, la IA solo añade un cuadro de chat a los mismos cuellos de botella de siempre. Cuando el proceso cambia, la propia fase de diseño se reescribe.
Este artículo trata sobre esa reescritura—específicamente para personas que trabajan en productos SaaS y plataformas. Trata de lo que ocurre cuando los prototipos empiezan a comportarse, cuando las interfaces sirven tanto a humanos como a agentes de IA, cuando los sistemas de diseño se vuelven legibles por máquina y cuando la entrega entre diseño e ingeniería se colapsa en un artefacto compartido y ejecutable. Y trata de lo que los diseñadores senior como Aliyeh acaban haciendo cuando la IA “limpia el desorden” y no se detiene ahí.
Los límites de los artefactos de diseño tradicionales
En el proyecto SaaS tradicional, la fase de diseño generaba montones de pruebas de que algo estaba ocurriendo. Entrevistábamos a cinco o diez usuarios y convertíamos sus citas en personas. Trazábamos recorridos con notas adhesivas y flechas. Esbozábamos flujos, wireframes, interfaces de alta fidelidad. Quizá armábamos un prototipo para apaciguar a los interesados que necesitaban “ver cómo encaja.”
Todos esos artefactos eran útiles, hasta cierto punto. Ayudaban a los equipos a hablar sobre el producto. Pero también eran incompletos por diseño.
Un mapa de recorrido no puede decirte qué ocurre cuando una automatización falla silenciosamente. Un diagrama de flujo estático no muestra cómo debe responder un asistente de IA cuando está al 60% de confianza en lugar del 95%. Incluso un prototipo bonito rara vez codifica las cosas aburridas pero peligrosas: permisos, registros de auditoría, reversibilidad, recuperación ante fallos.
Herramientas nativas de IA que hacen visible el comportamiento
Las herramientas nativas de IA no solucionan eso automáticamente, pero acercan los problemas a la superficie.
Cuando un diseñador se sienta con un sistema como Figma Make, v0 o Bolt, la salida no es una maqueta plana. Es un artefacto que realmente puedes tocar. Los botones responden, los formularios se envían, los datos fluyen en alguna dirección.
En un ejemplo interno compartido por Figma, un equipo usó Make para prototipar una interacción compleja de cuadrícula en aproximadamente una hora y media—algo que antes habría requerido varios días de prototipado con código. La verdadera historia allí no es “cuadrícula en 1,5 horas.” Es que un diseñador pudo probar cómo se sentía un fragmento del comportamiento del producto antes de que nadie se comprometiera con una arquitectura o abriera un ticket.
Cómo los prototipos ejecutables cambian las conversaciones de diseño
Una vez que puedes sentir el comportamiento, las explicaciones vagas se vuelven más difíciles. En lugar de discutir si el diseño de un tablero “se ve limpio,” te preguntas si un resumen generado por IA puede actualizar el registro subyacente sin confirmación humana. En lugar de debatir el color de un botón, intentas decidir qué ocurre con los datos de un cliente si un agente clasifica mal un ticket tres veces seguidas.
La IA ayuda aquí, pero no como estilista. Ayuda haciendo barato obtener un primer borrador del comportamiento para que todos lo puedan ver.
La brecha entre pantallas pulidas y comportamiento frágil
Hay una trampa. Una herramienta de prompt-a-aplicación puede darte algo que parece un producto terminado en el tiempo que antes llevaba nombrar una página de Figma. Un reciente benchmark centrado en las personas de estos sistemas—probando 288 aplicaciones generadas a partir de 96 prompts en herramientas como Replit, Bolt y Firebase Studio—encontró una brecha consistente entre el pulido visual y la fiabilidad funcional. Los participantes confiaron menos en lo que veían una vez que intentaron usarlo. Las pantallas brillaban; el comportamiento era frágil.
Para los equipos de diseño, esa brecha es precisamente donde las cosas se vuelven interesantes. La IA hace más fácil que nunca crear algo que parece un producto antes de que se comporte como tal. Eso no hace a los diseñadores menos necesarios. Los hace más responsables.
Alguien tiene que decidir si la experiencia es coherente, si los estados cubren el desorden del mundo real, si un humano confiará realmente lo suficiente en el agente como para permitirle actuar en su nombre.
