La ficha
- Qué es: From Fake Perfects to Conversational Imperfects: Exploring Image-Generative AI as a Boundary Object for Participatory Design of Public Spaces
- Quiénes: Jose A. Guridi, Angel Hsing-Chi Hwang, Duarte Santo, Maria Goula, Cristóbal Cheyre, Lee Humphreys y Marco Rangel (Cornell University, USC, Studio-MLA y un investigador independiente).
- Dónde: Proceedings of the ACM on Human-Computer Interaction (CSCW), abril 2025. doi.org/10.1145/3710912
- Tipo: estudio cualitativo de caso. Talleres de reflexión y nueve entrevistas mediadas por IA en un proceso participativo real.
Primera lectura: qué hace y qué encuentra
Conviene partir por qué tipo de estudio es. Es un trabajo cualitativo de caso, no un experimento que mida resultados. El equipo se asoció con un estudio de arquitectura del paisaje en Los Ángeles, Studio MLA, para mejorar el River Garden Park, y probó una idea concreta: usar IA generativa de imágenes como objeto de frontera, es decir, como una pieza compartida que ayude a personas de mundos distintos a entenderse. En la etapa central condujeron nueve entrevistas con vecinos, hijos de migrantes latinoamericanos de entre 18 y 35 años. En cada una, un facilitador hacía las preguntas y un asistente iba generando imágenes en tiempo real con lo que la persona describía, usando sobre todo Dream Studio. No miden si la IA mejora el diseño ni evalúan un modelo. Describen cómo cambió la conversación cuando la imagen se generaba en vivo.
El punto de partida viene de la literatura previa, no de este estudio: diseñar un espacio público obliga a equilibrar intereses muy distintos, y los métodos participativos suelen quedarse cortos para incorporar la voz de los grupos menos representados. La pregunta propia del paper es si una IA que dibuja sobre la marcha ayuda a salvar esa distancia entre quien diseña y quien usará el lugar.
El primer hallazgo, y el que da el título, es una distinción que los autores construyen desde sus datos. Llaman Fake Perfects a las imágenes técnicamente logradas, fieles al texto pedido, que sin embargo cerraban la conversación: la persona decía “sí, es esto”, y no había nada más que hablar. Y llaman Conversational Imperfects a las imágenes imperfectas, a veces inexactas o francamente raras, que abrían la conversación. El éxito se resignificó. Dejó de ser obtener la imagen correcta y pasó a ser sostener un buen intercambio.
Esas imágenes imperfectas funcionaban de dos maneras. Revelaban ideas escondidas: una participante no lograba nombrar un elemento de su herencia mexicana hasta que vio un mural en una imagen y recordó las historias de su madre. E inspiraban ideas nuevas: a otro, una imagen fantasiosa de un parque hecho de hongos le sirvió para pensar en diseñar con elementos naturales. Lo interesante es que la inexactitud era el motor, no el defecto.
El segundo hallazgo es que la IA promovió conversaciones más conscientes del espacio. Frente a una imagen, aunque estuviera mal, los participantes describían con más precisión dónde iba cada cosa, dónde se ubicaban ellos, qué atmósfera querían. Comparado con entrevistas previas sin imágenes, donde la gente enumeraba actividades, acá señalaban el plano y corregían. La imagen daba algo concreto sobre lo cual deliberar.
El tercer hallazgo pone un límite a los dos anteriores: el resultado dependía mucho de la habilidad del facilitador. Una imagen acertada podía cerrar la conversación si nadie sabía repreguntar; una imagen rara podía ser un callejón sin salida si el facilitador no la aprovechaba. Manejar la interacción entre las personas, la IA y uno mismo es una destreza, no algo que la herramienta entregue sola. Los autores derivan de ahí una idea para el campo: pasar de métodos centrados en el objeto final a métodos centrados en el proceso, y diseñar herramientas que ayuden a moderar, no solo a generar.
Segunda lectura: desde América Latina
Importa desde dónde se mira. Los participantes son hijos de migrantes latinoamericanos, en su mayoría de México y también de Guatemala, pero el estudio ocurre en Los Ángeles, no en la región. Es diáspora. Por eso el hallazgo que más resuena desde acá es uno que los propios autores marcan como tensión: las imágenes tendían a verse idealizadas y “estadounidenses”, y costaba representar la herencia cultural de los participantes más allá de banderas y colores. Aparecen estereotipos. El paper anota uno con humor involuntario: un participante asocia su idea de México a la película Encanto, que en realidad está inspirada en Colombia. La IA no solo no corrige ese aplanamiento, a veces lo refuerza.
Eso convierte una limitación en una herramienta. Los autores sugieren, y acá lo comparto, que la imagen sesgada puede servir para conversar sobre el sesgo mismo: nombrar qué falta, qué sobra, qué no se parece a uno. Para procesos participativos en América Latina, donde la representación cultural es delicada y los modelos se entrenaron mayormente con datos del norte, esa lectura es valiosa. Pero es extrapolación mía: el estudio se hizo con diáspora en Estados Unidos y no probó nada dentro de la región. Lo dejo como hipótesis, no como hallazgo.
Donde el estudio se conecta con el presente es en el cambio de época. Las entrevistas son de 2024, con herramientas que todavía erraban bastante. Hoy los modelos de imagen producen resultados mucho más fieles y vistosos. El paper deja una advertencia incómoda frente a eso: si lo que abría la conversación era la imperfección, una IA cada vez mejor en acertar podría, sin querer, cerrarla antes. Los propios autores apuntan en esa dirección cuando piden que las herramientas conserven la posibilidad de introducir aleatoriedad y den al usuario un control simple sobre cuán “exacta” quiere la imagen. Llevar esa advertencia hasta decir que los modelos nuevos perjudican la participación ya es lectura mía, no del paper.
La idea que más viaja es una que los autores formulan casi al pasar: como ni el diseñador ni el vecino son expertos en IA, la herramienta los pone en un plano más parejo. En contextos con fuertes asimetrías de poder y de saber técnico, esa nivelación, aunque sea momentánea, es algo que vale la pena cuidar.
La pregunta que deja sirve para cualquier municipio de la región que quiera escuchar a su gente antes de intervenir una plaza. ¿Qué buscamos cuando le mostramos una imagen a la comunidad: que apruebe un dibujo, o que se abra una conversación? El estudio sugiere que confundir lo primero con lo segundo es el error más fácil de cometer.
La letra chica
- Es un estudio cualitativo de caso: su gracia está en explicar cómo y por qué cambia la conversación, no en medir cuántas veces ni en probar que la IA mejore el diseño. Vale para entender un fenómeno, no para generalizar frecuencias.
- El trabajo se hizo con una comunidad específica de Los Ángeles, con hijos de migrantes, y los propios autores reconocen que el contexto acota los resultados y que el formato de un facilitador por entrevista limitó el alcance.
- Retrata herramientas de imagen de 2024. Los mismos autores advierten que su evolución puede cambiar detalles; lo que parece envejecer lento es lo de fondo, sobre conversación, poder y representación.
Palabras clave del paper: Artificial Intelligence, generative AI, human-AI interaction, design
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.