La ficha
- Qué es: The Values of Value in AI Adoption: Rethinking Efficiency in UX Designers’ Workplaces
- Quiénes: Inha Cha, Catherine Wieczorek y Richmond Y. Wong (Georgia Institute of Technology)
- Dónde: Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems, abril 2026, Barcelona. doi.org/10.1145/3772318.3790429
- Tipo: estudio cualitativo, 5 talleres de diseño grupal y 14 entrevistas individuales de seguimiento.
Primera lectura: qué hace y qué encuentra
La pregunta que abre el paper no es si la IA es buena para el trabajo de diseño, sino cómo se toman en la práctica las decisiones de adoptarla. Esa distinción importa, porque la mayoría de los estudios anteriores evalúan qué tan bien funciona una herramienta; este mira qué ocurre en el equipo cuando la herramienta llega.
Para eso, las autoras y el autor reclutaron a 15 diseñadoras y diseñadores UX de empresas de tecnología en Estados Unidos, Canadá y Corea del Sur. Los perfiles son variados: hay investigadoras UX en una firma de finanzas, una diseñadora senior en IT con 25 años de experiencia, una becaria de diseño, perfiles en consultoría y salud. Los organizaron en cinco grupos según sector o contexto profesional y condujeron talleres virtuales de dos horas y media donde cada participante construía un escenario hipotético de adopción de IA en su propio trabajo, con ejercicios en Miro. Después vinieron entrevistas individuales de media hora. El análisis fue temático-reflexivo: dos miembros del equipo trabajaron el material por separado y luego todo el equipo definió los temas en conjunto.
Los hallazgos se organizan en tres escalas. A nivel individual, a nivel de equipo, y a nivel organizacional. Las tres revelan algo distinto, y juntas arman el argumento central.
En el nivel individual, casi todos los participantes declararon eficiencia como su razón principal para usar IA. Pero al profundizar, describieron lo que el estudio llama “trabajo oculto”: el tiempo de prompting, los ensayos fallidos, la revisión de alucinaciones, la corrección de errores antes de tener algo usable. Varios reconocieron que ese costo raramente se mide ni se discute. Y detrás del entusiasmo por la productividad apareció una tensión más persistente: el miedo a volverse prescindibles. Un participante lo describió así: “A veces me pregunto si dependo demasiado de la IA… estoy automatizando mi flujo de trabajo, usando IA para transcribir, extraer insights de entrevistas, escribir PRDs. Siento que estoy perdiendo mis habilidades centrales.” Otro participante, más joven, lo dijo con otra imagen: hay que pensar en qué músculos no se están usando mientras la herramienta trabaja sola.
En el nivel de equipo, el primer hallazgo es sobre cómo llega la IA al equipo: por rumor, no por capacitación. Los participantes aprendieron de nuevas herramientas en conversaciones de almuerzo o de un compañero entusiasta que se convirtió en usuario referente. Esa difusión informal generó adopción desigual y produjo tensiones: quien adoptaba más rápido empezaba a hacer tareas que antes hacían otros (redacción de contenidos, implementaciones de frontend), y quienes tenían esas responsabilidades acusaban el desplazamiento. El estudio también encontró un problema de transparencia: algunos miembros de los equipos presentaban trabajo generado por IA sin decirlo, lo que erosionaba la confianza. Varios participantes compararon la solución ideal con la lógica de citar fuentes en Wikipedia: en algún punto del proceso hay que declarar qué produjo la persona y qué produjo el modelo. Finalmente, en equipos donde la IA ya circulaba con fluidez, emergió un patrón que los propios participantes llamaron “magic eight-ball thinking”: la tendencia a tomar el output del modelo como respuesta final, sin someterlo al mismo debate que recibiría una propuesta de un colega.
En el nivel organizacional, los diseñadores descubrieron que no son quienes deciden. En la mayoría de los casos, la adopción formal dependía de aprobación gerencial, revisiones de cumplimiento, alineamiento con clientes. En empresas grandes, la IA existía en una “zona gris”: herramientas usadas de manera no oficial hasta que su valor era demasiado obvio para ignorar, pero la aprobación llegaba tarde, a veces después del proyecto. Una participante describió recibir la autorización de cumplimiento en la semana 7 de un proyecto de 8 semanas. Y mientras la dirección medía éxito en términos de productividad y ahorro, los diseñadores describían una experiencia diferente: la IA no les quitó trabajo, les agregó responsabilidades nuevas sin reasignar las antiguas.
El argumento central es que la “eficiencia” no es un descriptor técnico neutral. Es un concepto disputado. Cuando un gerente habla de eficiencia habla de métricas medibles; cuando un diseñador habla de eficiencia puede estar hablando de su capacidad de hacer trabajo significativo sin delegar lo que le da sentido profesional. Esas dos definiciones no coinciden, y la adopción de IA pone esa brecha en evidencia. El paper usa el trabajo del antropólogo David Graeber para precisar esto: “valor” en sentido económico (productividad, costo) y “valores” en sentido social (autonomía, rigor, identidad profesional) son registros distintos que se entremezclan constantemente, y esa mezcla no es accidental sino política.
Segunda lectura: desde América Latina
El estudio fue conducido en contextos de tecnología de Estados Unidos, Canadá y Corea del Sur. Eso tiene peso. Los mercados de diseño UX en América Latina operan con presupuestos distintos, equipos más pequeños y con frecuencia bajo la presión de justificar disciplinas que las organizaciones locales aún no terminan de valorar. Eso hace que la tensión entre “la IA me vuelve más eficiente” y “la IA me vuelve prescindible” sea potencialmente más aguda: en equipos reducidos, automatizar una función puede literalmente costar un puesto.
La difusión informal que describe el paper es probablemente reconocible en cualquier oficina de diseño de la región: la herramienta llega por un compañero entusiasta, no por una política de empresa. Pero en organizaciones con jerarquías más marcadas, el espacio para que un diseñador cuestione la adopción impuesta desde arriba puede ser más estrecho que el que describen estos participantes.
Lo que el paper no aborda, porque no era su pregunta, es qué pasa cuando los equipos de diseño en América Latina están integrando IA no en el contexto de grandes firmas tecnológicas sino en agencias, en equipos pequeños de startups o en áreas de sistemas de empresas que nunca habían tenido diseñadores. En esos contextos, algunas de las barreras organizacionales que el estudio describe (aprobaciones formales, revisiones de cumplimiento) directamente no existen, lo que puede acelerar la adopción pero también deja sin marcos para resolver las preguntas sobre quién decide y quién asume la responsabilidad cuando algo sale mal.
Lo que sí traduce directamente, sin importar el contexto, es la pregunta que el paper deja abierta: antes de adoptar IA para demostrar modernidad o reducir costos, ¿quién puede rechazar la herramienta sin consecuencias?, ¿quién va a absorber el trabajo oculto cuando el modelo falle?, y ¿qué pasa con las personas cuyas habilidades se solapan con lo que la IA empieza a hacer? Esas preguntas no tienen una respuesta técnica.
La letra chica
- El estudio tiene 15 participantes en sectores de tecnología de tres países del norte global y del este asiático. Su valor está en explicar dinámicas y tensiones, no en medir cuán frecuentes son ni en cubrir contextos distintos.
- Los talleres usaron escenarios hipotéticos, lo que facilita la reflexión pero puede introducir distancia con lo que ocurre en el día a día real de cada equipo.
- El trabajo de campo se realizó entre mayo y julio de 2025, cuando los modelos de lenguaje ya estaban masificados pero el sector seguía calibrando su impacto en el trabajo creativo. El paper centra el problema en esa capa organizacional (quién decide, quién asume el costo, quién responde cuando algo falla) más que en las capacidades del modelo; y esa capa, por tratarse de personas e instituciones, cambia más lento.
Palabras clave del paper: AI, AI Adoption, Workplace, Tech Practitioners, UX Practitioners, UX Practices
Lectura automática. Este texto lo generó Claude (IA) a partir de la fuente original, sin revisión humana línea por línea. Puede contener errores o interpretaciones discutibles; para validar cualquier punto, revisa la fuente original.