Con el auge de los modelos de lenguaje (LLMs) y los agentes de IA, estamos presenciando el nacimiento de lo que el referente de la UX, Jakob Nielsen, define como el tercer paradigma de interacción humano-computadora: la especificación de la intención. Conceptos con los que hemos convivido por décadas —como el escritorio, las ventanas o los botones— están dando paso a un modelo donde el usuario ya no le dice a la máquina el cómo paso a paso, sino el qué desea lograr, confiando en que el sistema interprete correctamente su lenguaje natural.

Este cambio de juego representa tanto un reto crítico de usabilidad como una oportunidad histórica. Para entender el verdadero impacto de delegar nuestras tareas en la IA, el análisis de Nielsen nos propone revisar primero de dónde venimos para dimensionar el tamaño de la transformación actual.

En su artículo, Nielsen describe la evolución de la usabilidad en tres paradigmas que cambiaron…

Procesamiento por lotes (Batch Processing): En los inicios de la computación, el contacto con el sistema era nulo. Los usuarios perforaban tarjetas con instrucciones, las enviaban a un centro de datos y esperaban días por un resultado impreso. Si había un solo error, el proceso debía reiniciarse. La usabilidad aquí era prácticamente inexistente.

Interacción basada en comandos (e interfaces gráficas): Dominante desde los 60, este modelo evolucionó de las pantallas negras a las interfaces visuales (GUI) actuales. El usuario da una orden directa y recibe feedback inmediato; el rol de la UX es humanizar esas respuestas del sistema; si alguna vez has visto un “Error: Código 3030: Verificar variables”, es la prueba de que alguien no hizo bien su trabajo.

Especificación de la intención: El paradigma actual. La dinámica cambia por completo: la interfaz se reduce a una caja de chat o una entrada de voz. El usuario describe su meta y la IA toma el control de las acciones necesarias para resolverla.

La aparente simplicidad de este “ida y vuelta” con la IA esconde una complejidad enorme y traslada una nueva carga cognitiva al usuario. A continuación, analizaremos los retos ocultos de usabilidad que plantea esta nueva experiencia agéntica.

Para entender el impacto de este nuevo paradigma, primero debemos recordar cómo define nuestra industria la usabilidad. En esencia, se trata de la capacidad de un software de ser comprendido, aprendido, usado y resultar atractivo para el usuario. Dicho de otro modo, es la eficacia, eficiencia y satisfacción con la que un producto permite alcanzar objetivos específicos en un contexto de uso determinado*.

(*) Definiciones extraídas de ISO/IEC 9126 e ISO/IEC 9241.

En las interfaces tradicionales, la UX asegura la usabilidad mediante elementos visuales. Con la IA, las lógicas del sistema quedan ocultas tras una caja de chat; la experiencia emerge puramente de la conversación, y la usabilidad depende de la habilidad del usuario para descifrar y aprovechar las capacidades del agente.

Ahora todo depende de parámetros, entrenamientos y lógicas internas que cambian en el tiempo y que son desconocidas para el usuario (e incluso, a veces, para sus propios creadores). Esta naturaleza emergente dificulta la interacción porque, al carecer de señales contextuales como botones o enlaces que indiquen el camino, chocamos con una realidad humana, y es que necesitamos ver qué se puede hacer para entender realmente qué se puede hacer.

Aunque nuevos modelos de interacción (como Claude’s Computer Use o interfaces híbridas de co-working) están incorporando controles más amigables para ayudarnos a entender qué puede y qué no puede hacer nuestro nuevo colega sintético, el ritmo al que se añaden nuevas funcionalidades sigue desbordando al usuario.

Para dimensionar la gravedad de este problema, nos sirven los dos momentos clave que el pionero de la UX, Don Norman, identifica en El diseño de las cosas cotidianas (con nombres dramáticos, sí): el abismo de la ejecución y el abismo de la evaluación.

Abismo de la ejecución: Es la brecha que existe entre el momento en que un usuario se hace consciente de su intención de hacer algo (“Tengo hambre, quiero comprar una pizza en línea”) y el momento en que entiende cómo hacerlo en un sistema (“Voy a mi aplicativo de compras en línea y acciono una serie de botones para cumplir mi cometido”).

Esta brecha se agranda cuando no hay señales visibles que aclaren qué hacer. En interfaces tradicionales, la intuición de la experiencia depende de qué tan familiares resulten los botones y etiquetas para el usuario, o que tanto se parezcan a otros sistemas que ya domina.

Sin embargo, en la interacción con la IA, su minimalismo afecta seriamente la capacidad del usuario para descubrir qué se puede y qué no se puede hacer. Esto nos invita a cuestionar si este nuevo modelo es realmente mejor que el anterior. En su artículo sobre co-construir intencionalidad, Teno Liu pone el dedo en la llaga:

¿Es acaso la velocidad con la que pedimos las cosas una garantía de que el agente realmente está entendiendo nuestra intención?

El caso Pacasmayo: Como ejemplo cercano, en Multiplica diseñamos un agente para Cementos Pacasmayo que permitía consultar una base de conocimiento. La interfaz consistía en un botón flotante que invitaba a “explorar futuros posibles” y un campo de texto con la sugerencia: “Introduce tus dudas sobre Foresight”.

En la implementación, vimos que los usuarios hacían desde consultas muy generales hasta dudas sumamente específicas. Para evitar alucinaciones, redujimos al mínimo la capacidad de “imaginar” del agente, limitándose estrictamente a la información contenida en sus documentos.

Sin embargo, este ajuste limitó su capacidad de razonamiento. ¿Qué tan usable es un asistente si 9 de cada 10 veces responde que no sabe debido a la especificidad de la pregunta? Cuando obtener una respuesta se vuelve una ruleta rusa, la tolerancia del usuario para seguir jugando desaparece.

El abismo de la ejecución con la IA es un pozo sin fondo: la promesa de “poder hacerlo todo” se estrella contra un campo en blanco, donde la ambigüedad del lenguaje natural y la falta de contexto condenan al usuario a la incertidumbre.

Abismo de la evaluación: Es la brecha entre el estado de un sistema tras una acción y la capacidad del usuario para percibirlo. Al encender un auto tradicional, el sonido y la vibración confirman que el motor arrancó. En los vehículos eléctricos, la ausencia de estas señales físicas dificulta que un usuario nuevo descubra si el auto está listo para avanzar.

En el paradigma basado en comandos, el diseñador de UX tiene la prerrogativa de ofrecer señales visuales o sonoras para confirmar si una tarea se ejecutó con éxito o falló. Así es como el usuario toma consciencia del estado del sistema.

En cambio, al interactuar con la IA, las respuestas pueden tardar minutos llenos de expectativa. Esta tensión se agrava porque los humanos tendemos a dar el mínimo de información, lo que puede provocar que el agente no descifre nuestra intención. Como menciona Teno Liu: “Como un apostador, jalamos la manija y rezamos por que el juego nos llegue a leer la mente”.

El caso Pacasmayo: En nuestro proyecto con Cementos Pacasmayo, resolvimos esto obligando al agente a incluir siempre enlaces a las fuentes de información utilizadas. De esta manera, el usuario no solo ganaba la confianza de saber que no se trataba de una alucinación del modelo, sino que mantenía la habilidad de profundizar en la fuente original si así lo deseaba.

Si regresamos a la pregunta de qué cambia realmente en este nuevo paradigma, la utilidad de interactuar con una IA ya no se mide con las métricas tradicionales. Su éxito depende de cuatro dimensiones críticas que redefinen por completo la experiencia de usuario:

1. Autonomía: El cálculo del esfuerzo. En el modelo basado en comandos, el usuario es completamente autónomo; su capacidad de resolución depende de su propia destreza cognitiva y de cómo interpreta la interfaz gráfica. En una experiencia agéntica, la dinámica se invierte: el usuario cede su autonomía. Esto plantea preguntas de fondo: ¿En qué medida confiamos en que el agente actúe por nosotros? ¿Se comportará el sistema según nuestros valores y expectativas cuando nadie lo esté vigilando?

Aquí aparece una de las principales barreras de adopción: la percepción del esfuerzo. Ante una tarea, el usuario calculará rápidamente qué le cuesta más: si hacer el trabajo por su cuenta o invertir tiempo en detallar una petición rigurosa para que el agente no se equivoque. Si la tarea es repetitiva, el incentivo de delegar aumenta; si es única, el beneficio se diluye. Por eso, la usabilidad agéntica ya no solo procesa órdenes, sino que debe ayudar activamente al usuario a formular intenciones claras, guiándolo a desglosar su petición y pidiendo confirmación antes de actuar.

2. Confianza: La calibración de las expectativas. En las interfaces tradicionales, la confianza como concepto no existe: el usuario opera con sus manos (o su voz) y posee una certeza innata de su capacidad para accionar la pantalla. Con la IA, la confianza se fragmenta en tres niveles: creer que el sistema es capaz de ejecutar la tarea, asumir que el resultado será satisfactorio y aceptar que puede lograrlo con una supervisión mínima.

Investigaciones de Stanford HAI muestran que los usuarios calibran esta confianza según el contexto: toleran el error en escenarios casuales, pero penalizan con severidad los fallos en entornos profesionales o críticos. Esta calibración se construye mediante la predictibilidad (el agente hace lo esperado), la controlabilidad (el usuario puede intervenir) y la claridad (el agente comunica sus razones e incertidumbres). El reto de diseño aquí es estratégico: ¿Qué elementos sostienen esa confianza, qué tan rápido se destruye ante un error y qué mecanismos tenemos para reconstruirla?

3. Control: El equilibrio de la intervención. En el paradigma de comandos, el diseño comunica con precisión qué se puede controlar y qué no a través de elementos familiares: botones de avanzar y retroceder, barras de progreso o mensajes de confirmación. El usuario tiene una certeza básica: si él no hace nada, el sistema no cambia.

En la interacción agéntica, los límites del control se vuelven difusos. ¿Es posible pausar al agente mientras piensa y ejecuta? ¿Podemos ajustar sus parámetros y relanzar la acción con facilidad? ¿Cuáles son las consecuencias de una ejecución asíncrona? Dado que la autonomía es la mayor promesa de valor de los agentes de IA, el desafío de UX radica en devolverle el sentido de control al usuario sin restarle potencia ni automatización al agente.

4. Transparencia: Rastrear un sistema invisible. Si en las interfaces tradicionales el diseñador debe informar qué va a pasar, qué está pasando y qué pasó, en el modelo agéntico el reto es definir el nivel y la profundidad de esa información. Esto se vuelve crítico cuando los agentes operan en segundo plano, navegando en múltiples sistemas de manera asíncrona. La usabilidad aquí ya no es estética; depende estrictamente de que el sistema comunique con claridad qué está haciendo, por qué tomó esa ruta y cuál es su nivel de certeza en el resultado.

Diseñar para este nuevo paradigma requiere abordar preguntas más complejas porque nos exige aplicar las reglas de la conversación humana a los sistemas digitales.

Mientras el modelo de comandos se mantendrá firme en procesos operativos de alto riesgo, el diseño de interfaces agénticas ganará terreno conforme logremos dar certidumbre y control al usuario. El futuro de la interacción digital ya no es estático; es un ida y vuelta constante.

Integrar agentes de IA de forma intuitiva, transparente y eficiente es el gran desafío de diseño de nuestra década. ¿Estás listo para dar el paso con tu producto? Hablemos.