El gusto es tu foso: Cómo la IA y el Design Thinking moldean el futuro de la creación de productos

¿Qué es el gusto en el contexto del diseño de productos?

El gusto, en el contexto del diseño y el producto, se refiere a la capacidad cultivada de reconocer la calidad, tomar decisiones estéticas intencionales y mantener la coherencia a lo largo de la experiencia de un producto. No es simplemente preferencia subjetiva—es un juicio disciplinado informado por la comprensión de principios de jerarquía visual, tipografía, espaciado, teoría del color, psicología del usuario y el contexto más amplio de qué hace que un producto se sienta pulido e intencional. El gusto es lo que separa a un producto que parece cuidadosamente elaborado de uno que parece ensamblado a partir de componentes. Es la diferencia entre un diseño que funciona y un diseño que deleita. A lo largo de la historia de la tecnología, el gusto ha sido una característica definitoria de las empresas que lograron un éxito duradero. La obsesiva atención al detalle de Apple, la elegancia minimalista de las primeras interfaces de Google, y las interacciones pensadas en productos como el propio Figma—todas son expresiones de gusto a escala. El gusto se manifiesta en miles de pequeñas decisiones: el tono exacto de gris para el texto secundario, la temporización precisa de una animación, el espacio en blanco alrededor de un botón, la jerarquía de la información en una página. Cada decisión, tomada con intención y consistencia, contribuye a una sensación general de calidad que los usuarios quizá no noten conscientemente pero definitivamente sienten. Por eso el gusto importa—es el efecto acumulado de elecciones intencionales lo que crea productos que la gente ama usar.

Por qué el gusto se vuelve más valioso a medida que la IA se vuelve más capaz

La sabiduría convencional podría sugerir que a medida que la IA mejora generando diseños, la necesidad del gusto humano disminuye. La realidad es la opuesta. A medida que las herramientas de IA se vuelven más capaces de producir opciones de diseño viables rápidamente, el cuello de botella pasa de la generación a la curaduría y el refinamiento. Cuando los diseñadores tenían que crear manualmente cada maqueta, cada iteración, cada variación, la limitación era la capacidad de producción. Ahora, con la IA capaz de generar docenas de opciones de diseño en segundos, la limitación pasa a ser el juicio—la capacidad de reconocer qué opciones valen la pena, qué direcciones se alinean con la visión del producto y qué elecciones crearán la experiencia más coherente y agradable. Este cambio transforma fundamentalmente la labor del diseñador. En lugar de dedicar tiempo a la producción mecánica, ahora lo dedican a la evaluación, el refinamiento y la definición estratégica de la dirección. Aquí es donde el gusto es invaluable. Un diseñador con buen gusto puede mirar diez layouts generados por IA y reconocer al instante cuál tiene el equilibrio adecuado, cuál sirve mejor las necesidades del usuario y cuál se alinea con el lenguaje de diseño del producto. Puede entonces refinar esa opción, llevarla más allá y asegurarse de que cumpla con los estándares de calidad que definen su producto. En este sentido, la IA no reemplaza el gusto—lo amplifica. Da a los diseñadores la palanca para aplicar su gusto sobre un espacio de diseño mucho mayor, explorando más opciones y llegando más lejos de lo que podrían si tuvieran que crear cada una manualmente. Las empresas que triunfarán en la era de la IA son aquellas que entienden esta dinámica: usarán la IA para expandir el espacio de posibilidades y luego el gusto para navegar ese espacio con intención y coherencia.

Entendiendo el viaje de la IA: Del aprendizaje automático clásico a las leyes de escalado

Para comprender por qué la IA ahora puede asistir en el diseño de maneras significativas, es importante entender el recorrido que nos trajo aquí. La historia de la IA en el desarrollo de productos abarca décadas, pero la reciente aceleración surge de una visión específica: las leyes de escalado. El concepto de leyes de escalado—el principio de que modelos más grandes entrenados con más datos y cómputo se vuelven exponencialmente más capaces—representa un cambio fundamental en cómo funcionan los sistemas de IA. En los primeros días del aprendizaje automático, el foco estaba en algoritmos ingeniosos y la ingeniería de características. Los equipos pasaban meses diseñando las características adecuadas para alimentar un modelo, optimizando cada parámetro y esperando mejoras incrementales. Este enfoque tenía límites duros. Por muy ingenioso que fuera el algoritmo, había un techo a lo que podía lograr. El gran avance llegó con la realización de que simplemente hacer modelos más grandes, entrenarlos con más datos y darles más cómputo podía llevar a capacidades emergentes—habilidades que no fueron programadas explícitamente pero que emergen de la escala. Este hallazgo, validado por investigaciones de OpenAI y otros, lo cambió todo. GPT-3, lanzado en 2020, fue un momento decisivo. Demostró que un modelo de lenguaje entrenado a escala podía realizar tareas para las que nunca fue entrenado explícitamente: escribir código, responder preguntas, generar contenido creativo y mucho más. La diferencia entre GPT-3 y modelos previos no fue incremental—fue exponencial. Esta realización de que algo fundamental había cambiado en las capacidades de la IA abrió la puerta a nuevas posibilidades en todos los ámbitos, incluido el diseño. El principio de las leyes de escalado significa que, a medida que los modelos crecen y aumenta el volumen de datos de entrenamiento, las capacidades no mejoran solo de forma lineal—mejoran exponencialmente. Esto tiene profundas implicaciones para las herramientas de diseño. Significa que la IA ahora puede entender el contexto, inferir la intención a partir del lenguaje natural, reconocer patrones en sistemas de diseño y generar opciones coherentes alineadas con el lenguaje visual de un producto. Estas capacidades no eran posibles con modelos más pequeños o enfoques clásicos de aprendizaje automático. Emergen de la escala.

La evolución del enfoque de Figma hacia la IA: De la imaginación a la realidad

El recorrido de Figma con la IA abarca más de una década, aunque la empresa no comenzó con IA generativa. La misión original—cerrar la brecha entre la imaginación y la realidad—consistía en ayudar a los diseñadores a trasladar sus ideas al entorno digital. En los primeros días, esto significaba construir herramientas de diseño colaborativas, capacidades multijugador en tiempo real y una plataforma donde los diseñadores pudieran trabajar juntos sin fricciones. Pero incluso entonces, los fundadores pensaban en cómo la IA podría potenciar la creación. A principios de los 2010, mientras exploraban enfoques de aprendizaje automático, el equipo de Figma se fascinó con investigaciones emergentes en fotografía computacional y edición de imágenes. Se publicaban artículos sobre el uso de datos a escala de internet para completar escenas, básicamente haciendo relleno consciente de contenido pero impulsado por todo internet en vez de enfoques algorítmicos. Otras investigaciones exploraban convertir imágenes 2D en escenas 3D usando técnicas como fotogrametría y estimación de profundidad. Eran conceptos fascinantes, pero aún no estaban listos para el horario estelar. La tecnología podía llevarte hasta el 85% del camino, pero no al 100%. No fue hasta que el deep learning maduró que estos enfoques se volvieron prácticos. El gran hallazgo fue que debía haber una forma de facilitar la creación en muchos dominios, no solo en una tarea específica. Esto llevó a la visión de “de la idea a la realidad”—no “de la idea al diseño” o “de la idea al prototipo”, sino la noción más amplia de que la IA podría ayudar a las personas a pasar de la concepción a la ejecución en muchos tipos distintos de creación. Avanzando hasta hoy, Figma Make representa la maduración de esta visión. No es solo un generador de diseños—es una herramienta que entiende la intención de diseño, puede inferir a partir de sistemas de diseño existentes y puede ayudar a las personas a explorar el espacio de diseño de forma más efectiva. El viaje desde aquellas primeras conversaciones sobre redes neuronales y fotografía computacional hasta un producto que millones de diseñadores usan a diario ilustra cuánto tiempo toma que las capacidades de la IA maduren hasta convertirse en herramientas prácticas y útiles.

Figma Make: Uniendo diseño, especificación y código

Uno de los aspectos más interesantes de Figma Make es cómo se sitúa en la intersección de tres dominios tradicionalmente separados: diseño, especificación y código. En el desarrollo de software tradicional, estas eran fases distintas con entregas claras. Un product manager escribía una especificación, un diseñador creaba maquetas basadas en esa especificación y un ingeniero implementaba el diseño en código. Cada fase tenía sus propias herramientas, su propio lenguaje y sus propias restricciones. Este proceso en cascada funcionaba, pero era lento y creaba fricción en cada traspaso. La pregunta que Figma explora es: ¿y si estas tres representaciones de la intención pudieran ser más fluidas? ¿Y si un diseño de alta fidelidad pudiera servir como especificación? ¿Y si un prototipo pudiera reemplazar un PRD? ¿Y si el código pudiera generarse a partir del diseño? La respuesta es que los tres—especificación, diseño y código—son diferentes representaciones de la misma intención subyacente. Son distintas formas de expresar lo que un producto debe hacer y cómo debe lucir. A medida que la IA mejora en traducir entre estas representaciones, los límites entre ellas se difuminan. Figma Make opera en este espacio difuso. Puedes describir lo que quieres en lenguaje natural, y la herramienta genera un diseño. Ese diseño es lo suficientemente preciso para servir como especificación para desarrolladores. El diseño puede conectarse al código mediante las herramientas para desarrolladores de Figma. El código puede analizarse para entender la intención de diseño y sugerir mejoras. Esta fluidez es poderosa porque permite que diferentes equipos y proyectos trabajen de la forma que más sentido tiene para ellos. Algunos equipos pueden comenzar con un diseño detallado. Otros pueden empezar por un prototipo. Otros pueden partir del código y usar herramientas de diseño para visualizarlo y refinarlo. Lo importante es que todos estos enfoques ahora son posibles dentro de una sola plataforma, y la IA ayuda a traducir entre ellos.

El lenguaje natural como interfaz al espacio latente

Una de las afirmaciones más provocadoras de Dylan Field es que actualmente estamos en la “era MS-DOS de la IA”: que el prompting en lenguaje natural que todos hacen hoy eventualmente parecerá tan primitivo como las interfaces de línea de comandos nos parecen ahora. Esta perspectiva es importante porque sugiere que el lenguaje natural no es el estado final de cómo interactuaremos con la IA, sino el principio. Las indicaciones en lenguaje natural son una forma de explorar lo que los investigadores llaman “espacio latente”: el espacio de alta dimensión de posibilidades que un modelo ha aprendido. Cuando das una indicación a un modelo de IA, esencialmente lo empujas en diferentes direcciones dentro de ese espacio, explorando distintas regiones de posibilidades. El lenguaje natural es útil para esto porque es la forma natural en que los humanos expresan intención. Pero no es la única forma, y puede que no sea la mejor para todos los casos de uso. A medida que las herramientas de IA maduren, probablemente veremos una explosión de diferentes interfaces para explorar el espacio latente. Algunas serán más visuales—deslizadores y controles que permiten ajustar diferentes dimensiones del espacio de diseño. Otras serán más restringidas—interfaces que guían a través de un conjunto estructurado de elecciones. Otras serán más lúdicas—interfaces que fomentan la experimentación y la serendipia. El hallazgo clave es que las restricciones pueden desbloquear la creatividad. Un diseñador trabajando dentro de una interfaz restringida puede descubrir posibilidades que no habría encontrado con prompting ilimitado en lenguaje natural. Por eso el futuro del diseño asistido por IA no es solo cuestión de mejores modelos de lenguaje—es cuestión de mejores interfaces para explorar el espacio de diseño. Figma Make ya avanza en esta dirección. Si bien soporta indicaciones en lenguaje natural, también entiende el contexto de tus diseños existentes, puede inferir tu intención a partir del sistema de diseño que has construido y puede sugerir opciones basadas en patrones que reconoce. Esto es más sofisticado que un simple prompting—se trata de entender la intención del diseñador a un nivel más profundo y ayudarle a explorar el espacio de diseño de manera más efectiva.

El papel de los sistemas de diseño en el diseño asistido por IA

Los sistemas de diseño han cobrado cada vez más importancia en el desarrollo moderno de productos. Son la codificación del lenguaje visual de un producto, los patrones y principios que aseguran la coherencia en todos los puntos de contacto. Un sistema de diseño incluye escalas tipográficas, paletas de colores, reglas de espaciado, bibliotecas de componentes y los principios que guían cómo se usan estos elementos en conjunto. En el contexto del diseño asistido por IA, los sistemas de diseño se vuelven aún más valiosos. Sirven como barandillas que ayudan a la IA a entender cómo debe verse tu producto. Cuando Figma Make puede inferir de tu sistema de diseño, puede generar opciones que ya están alineadas con tu marca, tus reglas de espaciado, tu tipografía y tu biblioteca de componentes. Esto reduce drásticamente la cantidad de refinamiento manual necesario. En vez de generar un diseño completamente genérico que requiere una personalización extensa, la IA puede generar opciones que ya están al 80% listas para producción. Aquí es donde la combinación de IA y sistemas de diseño se vuelve poderosa. La IA se encarga de la generación y exploración de opciones. El sistema de diseño asegura la coherencia y alineación. El gusto del diseñador determina qué opciones valen la pena y cómo refinarlas aún más. Este sistema de tres partes—IA para la generación, sistemas de diseño para la coherencia y gusto humano para la curaduría—representa el futuro de los flujos de trabajo de diseño. No se trata de reemplazar diseñadores con IA. Se trata de dar a los diseñadores mejores herramientas para explorar más posibilidades, manteniendo la coherencia e intencionalidad que define a los grandes productos.

Cómo FlowHunt aplica estos principios a los flujos de contenido y diseño

Los principios que Dylan Field articula sobre gusto, IA y sistemas de diseño aplican por igual a la creación de contenido y la automatización de flujos de trabajo. FlowHunt se construye sobre la misma filosofía: usa la IA para expandir el espacio de posibilidades, pero mantén el juicio y el gusto humano como el filtro que determina lo que realmente se publica. En flujos de contenido, esto significa usar la IA para generar múltiples opciones—diferentes titulares, diferentes enfoques, diferentes estructuras—y luego usar el criterio humano para seleccionar y refinar las mejores. En flujos de diseño, significa usar la IA para generar opciones de layout y variaciones de componentes, pero confiando en los diseñadores para evaluarlas según el sistema de diseño y la visión estética del producto. FlowHunt integra estas capacidades en una plataforma unificada donde creadores de contenido, diseñadores y equipos de producto pueden colaborar en flujos asistidos por IA. La plataforma entiende que el gusto no es algo que se pueda automatizar—es algo que debe ser apoyado y amplificado. Al proveer herramientas que facilitan la generación de opciones, su comparación, refinamiento y el mantenimiento de la coherencia a través de un sistema de diseño o biblioteca de contenido, FlowHunt ayuda a los equipos a aplicar su gusto a escala. Esto es especialmente valioso para equipos que necesitan producir grandes volúmenes de contenido o trabajo de diseño. En vez de crear todo manualmente, pueden usar la IA para generar opciones y luego aplicar su gusto para curar y refinar. El resultado es una mayor calidad de output, producción más rápida y más coherencia en todos los puntos de contacto.

La disolución de roles y la democratización de la creación

Una de las implicancias más significativas de las herramientas de diseño asistidas por IA es la disolución de los roles tradicionales. Históricamente, había distinciones claras: los product managers escribían especificaciones, los diseñadores creaban maquetas y los ingenieros las implementaban. Estos roles requerían habilidades y herramientas diferentes. A medida que las herramientas de IA se vuelven más capaces, estos límites se difuminan. Un product manager ahora puede crear un prototipo sin ser diseñador. Un diseñador puede generar código sin ser ingeniero. Un ingeniero puede crear diseños sin ser diseñador. Esta democratización de la creación es poderosa, pero también plantea preguntas importantes. Si cualquiera puede generar un diseño con IA, ¿cuál es el valor de un diseñador? La respuesta es el gusto. El valor del diseñador no radica en su habilidad para usar herramientas de diseño—sino en su capacidad para reconocer calidad, tomar decisiones intencionales y mantener la coherencia. Estas habilidades se vuelven más valiosas, no menos, a medida que la IA facilita a cualquiera la generación de diseños. Los diseñadores que prosperarán en este entorno serán aquellos que entienden que su rol evoluciona de “creadores de diseños” a “curadores y refinadores de diseños”. Usarán la IA para explorar más posibilidades de las que podrían crear manualmente, y luego aplicarán su gusto para seleccionar y refinar las mejores opciones. Esta es una habilidad distinta al diseño tradicional, pero cada vez más valiosa. De igual modo, product managers que entienden los principios de diseño pueden ahora crear prototipos de mayor fidelidad para comunicar su visión. Ingenieros que entienden de diseño pueden contribuir de manera más significativa a las decisiones de diseño. El resultado es mayor colaboración, más iteración y, en última instancia, mejores productos. Lo clave es que el gusto—la capacidad de reconocer calidad y tomar decisiones intencionales—sigue siendo valioso en todos estos roles. No se trata de tener un título específico, sino de tener el juicio para saber qué es bueno y la visión para luchar por ello.

Leyes de escalado y la mejora exponencial de las capacidades de la IA

Comprender las leyes de escalado es crucial para entender por qué la IA de repente puede ayudar en el diseño de manera significativa. Durante décadas, la investigación en IA siguió un patrón de mejoras incrementales. Nuevos algoritmos, nuevas técnicas, nuevos enfoques ofrecían mejoras modestas en el rendimiento. El progreso era real pero lento. El gran avance llegó con la realización de que simplemente hacer modelos más grandes—entrenarlos con más datos y más cómputo—podía llevar a mejoras exponenciales en la capacidad. Esta visión, formalizada en investigaciones sobre leyes de escalado, cambió la trayectoria del desarrollo de la IA. Las implicancias son profundas. Significa que, a medida que sigamos ampliando modelos y datos de entrenamiento, debemos esperar mejoras exponenciales continuas en capacidad. También significa que las empresas y equipos que accedan a más cómputo y más datos tendrán ventajas significativas. Para las herramientas de diseño, esto implica que, a medida que los modelos de lenguaje y modelos multimodales sigan creciendo, serán mejores entendiendo la intención de diseño, infiriendo patrones de sistemas de diseño y generando opciones coherentes. Las capacidades que vemos hoy en Figma Make parecerán primitivas en comparación con lo que será posible en unos pocos años. Esto es tanto emocionante como aleccionador. Emocionante porque significa que las posibilidades para la creación asistida por IA están lejos de agotarse. Aleccionador porque significa que las ventajas competitivas de hoy pueden no persistir si se basan solo en capacidades de IA. La verdadera ventaja competitiva proviene del gusto—de la capacidad de usar estas capacidades al servicio de una visión y una estética claras. Las empresas que combinen herramientas de IA potentes con gusto sólido y principios de diseño claros serán las que creen productos que la gente ame.

El futuro de la creación: Expandir el espacio de opciones

La visión definitiva que articula Dylan Field es una donde la IA ayuda a las personas a explorar un espacio de opciones mucho mayor del que podrían manualmente. En vez de estar limitados por lo que puede crear un solo diseñador o equipo, puedes explorar cientos o miles de posibilidades. El rol del diseñador pasa de crear a navegar este espacio expandido—reconociendo qué direcciones vale la pena seguir, qué opciones se alinean con la visión y qué elecciones crearán la experiencia más coherente y agradable. Este cambio tiene profundas implicancias en cómo se construyen los productos. Significa más iteración, más exploración y, en última instancia, productos más intencionales. En vez de quedarse con el primer diseño que funciona, los equipos pueden explorar múltiples direcciones y elegir la que mejor sirva a sus usuarios y a su visión. Significa que el gusto se convierte en el factor limitante, no la capacidad de producción. Los equipos que triunfarán son los que tengan gusto sólido y la disciplina para aplicarlo consistentemente. Por eso Figma Make es tan significativo. No es solo una herramienta para generar diseños más rápido. Es una herramienta para expandir el espacio de posibilidades y ayudar a los diseñadores a navegar ese espacio con intención. Es una herramienta que reconoce que el gusto es la verdadera ventaja competitiva, y que el papel de la IA es amplificar ese gusto permitiendo explorar más posibilidades y refinarlas más a fondo. El futuro de la creación no es reemplazar el juicio humano con IA. Es usar la IA para expandir el espacio de posibilidades y luego usar el juicio humano para navegar ese espacio con intención y coherencia. Esta es la promesa de herramientas como Figma Make, y por eso el gusto seguirá siendo el foso definitivo en un mundo aumentado por IA.

Conclusión

La convergencia de capacidades de IA y herramientas de diseño representa un cambio fundamental en cómo se crean los productos. Como articula Dylan Field, el gusto—la capacidad cultivada de reconocer calidad, tomar decisiones intencionales y mantener la coherencia—se convierte en el foso competitivo definitivo precisamente porque la IA está mejorando en los aspectos mecánicos del diseño. El viaje desde los primeros experimentos de aprendizaje automático hasta Figma Make ilustra cuánto tiempo toma que las capacidades de la IA maduren en herramientas prácticas, y cuán importante es mantener una visión clara de los problemas que se están resolviendo. La disolución de roles entre diseñadores, product managers e ingenieros, habilitada por herramientas asistidas por IA, democratiza la creación mientras hace que el gusto sea aún más valioso. Los sistemas de diseño sirven como las barandillas que ayudan a la IA a generar opciones coherentes alineadas con la visión de un producto. El lenguaje natural es solo el principio de cómo interactuaremos con la IA—las interfaces del futuro ofrecerán formas más sofisticadas de explorar el espacio de diseño. Las leyes de escalado que impulsan los sistemas de IA modernos sugieren que las capacidades seguirán mejorando exponencialmente, pero la ventaja competitiva vendrá no de tener acceso a la mejor IA, sino de tener el gusto y la visión para usarla al servicio de una estética clara. Los equipos que combinen herramientas de IA potentes con principios de diseño sólidos, visión clara y gusto disciplinado crearán productos que destacan. El futuro de la creación no se trata de reemplazar el juicio humano—se trata de amplificarlo, expandir el espacio de posibilidades y dar a los creadores las herramientas para explorar más a fondo y refinar con más intención que nunca.