IA: la guía para reducir errores en prototipos generados con modelos de lenguaje

Para obtener prototipos de mayor calidad es imprescindible reducir las suposiciones y eliminar la ambigüedad que procesa la IA. Bajo esta premisa, la guía original estructura el proceso en cuatro secciones clave.

El uso de herramientas de inteligencia artificial para la generación automatizada de prototipos y código se ha convertido en una práctica emergente dentro de los equipos de desarrollo e interfaz. Sin embargo, los resultados suelen presentar inconsistencias visuales y técnicas recurrentes. Contrario a lo que se suele asumir, este margen de error no siempre responde a las limitaciones propias del modelo de lenguaje, sino a las pequeñas deficiencias estructurales acumuladas en los propios sistemas de diseño.

Así lo analiza el consultor y experto en experiencia de usuario Vitaly Friedman en un artículo publicado en la plataforma especializada Smart Interface Design Patterns. La publicación toma como referencia una guía práctica desarrollada por Hardik Pandya, especialista de la firma de software Atlassian, para abordar cómo optimizar la documentación y la arquitectura de datos con el fin de reducir la desviación (drift) y guiar con precisión a las herramientas sintéticas.

Friedman argumenta que para obtener prototipos de mayor calidad es imprescindible reducir las suposiciones y eliminar la ambigüedad que procesa la IA. Bajo esta premisa, la guía original estructura el proceso en cuatro secciones clave.

1. Las decisiones de diseño como infraestructura

El primer pilar establece que las decisiones deben formalizarse como activos de información. Según explica el artículo, "deberíamos tratar las decisiones de diseño como infraestructura".

La IA no intuye automáticamente cómo elegir el componente adecuado ni conoce por defecto los principios de accesibilidad o priorización de una marca. Por ello, cada criterio operativo, regla de uso (do’s and don’ts) o directriz debe quedar plasmada formalmente en archivos de especificación (spec files) consumibles por el sistema.

2. Auditoría del sistema con FigmaLint

El segundo punto aborda la necesidad de sanear la deuda de diseño antes de alimentar a cualquier modelo generativo. El texto destaca el uso de herramientas de auditoría como el plugin gratuito FigmaLint. Esta utilidad permite revisar tokens, estados interactivos y accesibilidad, además de detectar valores fijos sin tokenizar (hard-coded), capas desvinculadas de la librería principal o componentes omitidos. Esta limpieza previa resulta fundamental cuando se trabaja con bibliotecas suministradas por proveedores externos (vendors).

3. Una arquitectura en tres capas

El tercer eje detalla la estructura técnica que requiere un sistema de diseño para ser legible y consistente ante la IA:

• Archivos de especificaciones (Spec Files): Documentos en formato Markdown que detallan las reglas de espaciado, colores y componentes. Al ser texto plano, su procesamiento es más económico en consumo de tokens y más preciso que intentar que la IA decodifique patrones directamente desde maquetas visuales (mock-ups).

• Capa de tokens (Token Layer): Un catálogo cerrado y actualizado de variables con nombre que obliga a la IA a seleccionar únicamente valores definidos, evitando la invención ad-hoc de códigos de color o dimensiones.

• Scripts de auditoría y sincronización: Herramientas de código que escanean las salidas creadas por la IA para marcar desviaciones, acompañadas de rutinas de sincronización que notifican qué especificaciones deben actualizarse cuando la librería principal cambia.

4. Casos de referencia en la industria

En el cuarto apartado, la publicación señala que grandes organizaciones ya están implementando estos estándares para habilitar flujos de trabajo con IA. Entre los ejemplos citados destacan el sistema de diseño de Atlassian, el sistema Carbon de IBM, el CMS Design System de los servicios de salud de Estados Unidos y el sistema de Nordhealth.

Como reflexión final sobre el reto organizativo que implica esta adopción, Friedman concluye con una advertencia directa sobre la responsabilidad de los equipos.

"En última instancia, la IA no puede resolver mágicamente la deuda técnica o la deuda de diseño sin la orientación adecuada. Depende en gran medida de decisiones claras, prioridades establecidas y principios bien definidos. Cuanto más deliberados y precisos sean los diseñadores al guiar a la IA, mejores serán los resultados globales".

Le puede interesar: Ataques impulsados por IA aumentaron un 56% más que el año pasado