Human: diseñar IA alrededor de las personas
Publicado el · Actualizado el
Human-centered AI design empieza por la persona que usa el sistema y no solo por las capacidades del modelo. Esta guía cubre objetivos, control, claridad, feedback, accesibilidad, confianza, consentimiento, recuperación y automatización adecuada.
Empezar por un objetivo humano real
Empezar por un objetivo humano real debe empezar con un objetivo concreto y un estado actual observable. Define qué quiere lograr el usuario, qué información existe, qué supuestos se hacen y qué resultado cuenta como éxito. En el diseño AI human-centered, esto evita que consejos de diseño o producto se separen del trabajo real. Una buena guía conecta cada recomendación con un punto de decisión, comportamiento visible y evidencia revisable.
Evalúa Empezar por un objetivo humano real con caso normal, incompleto, edge case y fallo. Registra input, comportamiento esperado, owner, dependencia y evidencia de éxito o recovery. Si la fuente no contiene un changelog concreto, cliente impact, comportamiento de importación miro o métrica de performance, explica el método sin inventar detalles. Así se mantiene clara la diferencia entre información publicada y guidance general.
El ownership alrededor de Empezar por un objetivo humano real debe seguir claro. El equipo debe saber quién prepara inputs, quién revisa resultados, quién mantiene dependencia o contenido y quién decide que el cambio está listo. Una checklist o review record suele bastar. Otra persona debe poder entender el diseño, repetir la evaluación y continuar sin contexto privado.
Al crecer el producto, vuelve a probar Empezar por un objetivo humano real con más usuarios, datos, pantallas, releases y workflows. Busca supuestos viejos, duplicados, estados ambiguos, latency oculta, validation ausente, interacciones inaccesibles y evidencias débiles. Un diseño fuerte mantiene comprensible el camino crítico y usa comportamiento medido para decidir la siguiente mejora.
- Empezar por un objetivo humano real
- Evidence
- Validation
- Ownership
Mantener visible el control importante
Mantener visible el control importante debe empezar con un objetivo concreto y un estado actual observable. Define qué quiere lograr el usuario, qué información existe, qué supuestos se hacen y qué resultado cuenta como éxito. En el diseño AI human-centered, esto evita que consejos de diseño o producto se separen del trabajo real. Una buena guía conecta cada recomendación con un punto de decisión, comportamiento visible y evidencia revisable.
Evalúa Mantener visible el control importante con caso normal, incompleto, edge case y fallo. Registra input, comportamiento esperado, owner, dependencia y evidencia de éxito o recovery. Si la fuente no contiene un changelog concreto, cliente impact, comportamiento de importación miro o métrica de performance, explica el método sin inventar detalles. Así se mantiene clara la diferencia entre información publicada y guidance general.
El ownership alrededor de Mantener visible el control importante debe seguir claro. El equipo debe saber quién prepara inputs, quién revisa resultados, quién mantiene dependencia o contenido y quién decide que el cambio está listo. Una checklist o review record suele bastar. Otra persona debe poder entender el diseño, repetir la evaluación y continuar sin contexto privado.
Al crecer el producto, vuelve a probar Mantener visible el control importante con más usuarios, datos, pantallas, releases y workflows. Busca supuestos viejos, duplicados, estados ambiguos, latency oculta, validation ausente, interacciones inaccesibles y evidencias débiles. Un diseño fuerte mantiene comprensible el camino crítico y usa comportamiento medido para decidir la siguiente mejora.
- Mantener visible el control importante
- Evidence
- Validation
- Ownership
Explicar qué hace la IA
Explicar qué hace la IA debe empezar con un objetivo concreto y un estado actual observable. Define qué quiere lograr el usuario, qué información existe, qué supuestos se hacen y qué resultado cuenta como éxito. En el diseño AI human-centered, esto evita que consejos de diseño o producto se separen del trabajo real. Una buena guía conecta cada recomendación con un punto de decisión, comportamiento visible y evidencia revisable.
Evalúa Explicar qué hace la IA con caso normal, incompleto, edge case y fallo. Registra input, comportamiento esperado, owner, dependencia y evidencia de éxito o recovery. Si la fuente no contiene un changelog concreto, cliente impact, comportamiento de importación miro o métrica de performance, explica el método sin inventar detalles. Así se mantiene clara la diferencia entre información publicada y guidance general.
El ownership alrededor de Explicar qué hace la IA debe seguir claro. El equipo debe saber quién prepara inputs, quién revisa resultados, quién mantiene dependencia o contenido y quién decide que el cambio está listo. Una checklist o review record suele bastar. Otra persona debe poder entender el diseño, repetir la evaluación y continuar sin contexto privado.
Al crecer el producto, vuelve a probar Explicar qué hace la IA con más usuarios, datos, pantallas, releases y workflows. Busca supuestos viejos, duplicados, estados ambiguos, latency oculta, validation ausente, interacciones inaccesibles y evidencias débiles. Un diseño fuerte mantiene comprensible el camino crítico y usa comportamiento medido para decidir la siguiente mejora.
- Explicar qué hace la IA
- Evidence
- Validation
- Ownership
Diseñar feedback como bucle bidireccional
Diseñar feedback como bucle bidireccional debe empezar con un objetivo concreto y un estado actual observable. Define qué quiere lograr el usuario, qué información existe, qué supuestos se hacen y qué resultado cuenta como éxito. En el diseño AI human-centered, esto evita que consejos de diseño o producto se separen del trabajo real. Una buena guía conecta cada recomendación con un punto de decisión, comportamiento visible y evidencia revisable.
Evalúa Diseñar feedback como bucle bidireccional con caso normal, incompleto, edge case y fallo. Registra input, comportamiento esperado, owner, dependencia y evidencia de éxito o recovery. Si la fuente no contiene un changelog concreto, cliente impact, comportamiento de importación miro o métrica de performance, explica el método sin inventar detalles. Así se mantiene clara la diferencia entre información publicada y guidance general.
El ownership alrededor de Diseñar feedback como bucle bidireccional debe seguir claro. El equipo debe saber quién prepara inputs, quién revisa resultados, quién mantiene dependencia o contenido y quién decide que el cambio está listo. Una checklist o review record suele bastar. Otra persona debe poder entender el diseño, repetir la evaluación y continuar sin contexto privado.
Al crecer el producto, vuelve a probar Diseñar feedback como bucle bidireccional con más usuarios, datos, pantallas, releases y workflows. Busca supuestos viejos, duplicados, estados ambiguos, latency oculta, validation ausente, interacciones inaccesibles y evidencias débiles. Un diseño fuerte mantiene comprensible el camino crítico y usa comportamiento medido para decidir la siguiente mejora.
- Diseñar feedback como bucle bidireccional
- Evidence
- Validation
- Ownership
Hacer accesibilidad parte central
Hacer accesibilidad parte central debe empezar con un objetivo concreto y un estado actual observable. Define qué quiere lograr el usuario, qué información existe, qué supuestos se hacen y qué resultado cuenta como éxito. En el diseño AI human-centered, esto evita que consejos de diseño o producto se separen del trabajo real. Una buena guía conecta cada recomendación con un punto de decisión, comportamiento visible y evidencia revisable.
Evalúa Hacer accesibilidad parte central con caso normal, incompleto, edge case y fallo. Registra input, comportamiento esperado, owner, dependencia y evidencia de éxito o recovery. Si la fuente no contiene un changelog concreto, cliente impact, comportamiento de importación miro o métrica de performance, explica el método sin inventar detalles. Así se mantiene clara la diferencia entre información publicada y guidance general.
El ownership alrededor de Hacer accesibilidad parte central debe seguir claro. El equipo debe saber quién prepara inputs, quién revisa resultados, quién mantiene dependencia o contenido y quién decide que el cambio está listo. Una checklist o review record suele bastar. Otra persona debe poder entender el diseño, repetir la evaluación y continuar sin contexto privado.
Al crecer el producto, vuelve a probar Hacer accesibilidad parte central con más usuarios, datos, pantallas, releases y workflows. Busca supuestos viejos, duplicados, estados ambiguos, latency oculta, validation ausente, interacciones inaccesibles y evidencias débiles. Un diseño fuerte mantiene comprensible el camino crítico y usa comportamiento medido para decidir la siguiente mejora.
- Hacer accesibilidad parte central
- Evidence
- Validation
- Ownership
Generar confianza con comportamiento predecible
Generar confianza con comportamiento predecible debe empezar con un objetivo concreto y un estado actual observable. Define qué quiere lograr el usuario, qué información existe, qué supuestos se hacen y qué resultado cuenta como éxito. En el diseño AI human-centered, esto evita que consejos de diseño o producto se separen del trabajo real. Una buena guía conecta cada recomendación con un punto de decisión, comportamiento visible y evidencia revisable.
Evalúa Generar confianza con comportamiento predecible con caso normal, incompleto, edge case y fallo. Registra input, comportamiento esperado, owner, dependencia y evidencia de éxito o recovery. Si la fuente no contiene un changelog concreto, cliente impact, comportamiento de importación miro o métrica de performance, explica el método sin inventar detalles. Así se mantiene clara la diferencia entre información publicada y guidance general.
El ownership alrededor de Generar confianza con comportamiento predecible debe seguir claro. El equipo debe saber quién prepara inputs, quién revisa resultados, quién mantiene dependencia o contenido y quién decide que el cambio está listo. Una checklist o review record suele bastar. Otra persona debe poder entender el diseño, repetir la evaluación y continuar sin contexto privado.
Al crecer el producto, vuelve a probar Generar confianza con comportamiento predecible con más usuarios, datos, pantallas, releases y workflows. Busca supuestos viejos, duplicados, estados ambiguos, latency oculta, validation ausente, interacciones inaccesibles y evidencias débiles. Un diseño fuerte mantiene comprensible el camino crítico y usa comportamiento medido para decidir la siguiente mejora.
- Generar confianza con comportamiento predecible
- Evidence
- Validation
- Ownership
Diseñar errores y recovery
Diseñar errores y recovery debe empezar con un objetivo concreto y un estado actual observable. Define qué quiere lograr el usuario, qué información existe, qué supuestos se hacen y qué resultado cuenta como éxito. En el diseño AI human-centered, esto evita que consejos de diseño o producto se separen del trabajo real. Una buena guía conecta cada recomendación con un punto de decisión, comportamiento visible y evidencia revisable.
Evalúa Diseñar errores y recovery con caso normal, incompleto, edge case y fallo. Registra input, comportamiento esperado, owner, dependencia y evidencia de éxito o recovery. Si la fuente no contiene un changelog concreto, cliente impact, comportamiento de importación miro o métrica de performance, explica el método sin inventar detalles. Así se mantiene clara la diferencia entre información publicada y guidance general.
El ownership alrededor de Diseñar errores y recovery debe seguir claro. El equipo debe saber quién prepara inputs, quién revisa resultados, quién mantiene dependencia o contenido y quién decide que el cambio está listo. Una checklist o review record suele bastar. Otra persona debe poder entender el diseño, repetir la evaluación y continuar sin contexto privado.
Al crecer el producto, vuelve a probar Diseñar errores y recovery con más usuarios, datos, pantallas, releases y workflows. Busca supuestos viejos, duplicados, estados ambiguos, latency oculta, validation ausente, interacciones inaccesibles y evidencias débiles. Un diseño fuerte mantiene comprensible el camino crítico y usa comportamiento medido para decidir la siguiente mejora.
- Diseñar errores y recovery
- Evidence
- Validation
- Ownership
Automatizar donde ayuda a la persona
Automatizar donde ayuda a la persona debe empezar con un objetivo concreto y un estado actual observable. Define qué quiere lograr el usuario, qué información existe, qué supuestos se hacen y qué resultado cuenta como éxito. En el diseño AI human-centered, esto evita que consejos de diseño o producto se separen del trabajo real. Una buena guía conecta cada recomendación con un punto de decisión, comportamiento visible y evidencia revisable.
Evalúa Automatizar donde ayuda a la persona con caso normal, incompleto, edge case y fallo. Registra input, comportamiento esperado, owner, dependencia y evidencia de éxito o recovery. Si la fuente no contiene un changelog concreto, cliente impact, comportamiento de importación miro o métrica de performance, explica el método sin inventar detalles. Así se mantiene clara la diferencia entre información publicada y guidance general.
El ownership alrededor de Automatizar donde ayuda a la persona debe seguir claro. El equipo debe saber quién prepara inputs, quién revisa resultados, quién mantiene dependencia o contenido y quién decide que el cambio está listo. Una checklist o review record suele bastar. Otra persona debe poder entender el diseño, repetir la evaluación y continuar sin contexto privado.
Al crecer el producto, vuelve a probar Automatizar donde ayuda a la persona con más usuarios, datos, pantallas, releases y workflows. Busca supuestos viejos, duplicados, estados ambiguos, latency oculta, validation ausente, interacciones inaccesibles y evidencias débiles. Un diseño fuerte mantiene comprensible el camino crítico y usa comportamiento medido para decidir la siguiente mejora.
- Automatizar donde ayuda a la persona
- Evidence
- Validation
- Ownership
Preguntas
¿Qué verificar primero?
Objetivo actual, baseline observable, owner, dependencias y definición clara de éxito.
¿Asumir detalles ausentes?
No. Separa hechos publicados de guidance general y marca lo desconocido.
¿Cómo manejar fallos?
Define estado de fallo, owner, recovery y evidencia de vuelta al comportamiento normal.
¿Cuándo revisar?
Tras cambios importantes en diseño, releases, workflows, accesibilidad, performance, evidencias o comportamiento publicado.