En DoorDash, si un diseñador modifica una interfaz en el código, el cambio pasa por el mismo circuito de aprobación en GitHub que usa ingeniería. Antes de publicarlo, hay además una revisión de diseño. Shali Nguyen describe ese flujo en AI in Design 2026, un informe de las firmas de inversión Designer Fund y Foundation Capital. El caso muestra qué pasa cuando más personas pueden implementar un cambio: alguien todavía tiene que decidir si está listo para salir.
Hasta el 9 de noviembre de 2026, la evidencia más concreta de ahorro de tiempo viene de tareas en las que el resultado ya estaba definido. Los casos de empresas muestran agentes en el trabajo con prototipos, componentes y código. Para saber si el equipo gana tiempo en todo el proceso, habría que seguir esos cambios desde la definición del problema hasta la validación con usuarios y el mantenimiento del producto.
¿Qué es el diseño agéntico?
Acá hablamos de sistemas que reciben un objetivo, actúan sobre herramientas de diseño o código, observan el resultado y vuelven a intervenir. El grado de autonomía varía según la herramienta y el encargo. También se habla de agentes cuando el producto le permite al usuario delegar una compra, o cuando otro sistema opera su interfaz. Cada caso plantea preguntas distintas.
| Uso | Qué hace el sistema | Qué conviene evaluar |
|---|---|---|
| Asistencia generativa | Produce texto, imágenes o variantes | Qué se puede aprovechar y cuánto trabajo de edición queda |
| Producción con agentes | Modifica componentes, código o prototipos y ajusta el resultado | Cuántas tareas se completan y cuánto trabajo requieren la revisión y las correcciones |
| Productos que incorporan agentes | Permiten que el usuario delegue tareas | Qué entiende el usuario, qué permisos concede, cuándo confirma y cómo recupera el control |
| Interfaces operadas por agentes | Exponen contenido y acciones a otros sistemas | A qué pueden acceder esos sistemas y qué operaciones pueden ejecutar |
El foco de este artículo es la producción con agentes. Figma Make, la herramienta de prototipado de Figma, es un producto distinto del agente de la plataforma y de los agentes de programación. El ensayo que analizamos midió Make.
¿Quiénes ya usan agentes para diseñar?
En su informe de resultados del tercer trimestre de 2026, Figma informó que, al cierre de octubre de 2026, el 65 % de las cuentas de pago que le aportaban más de US$10.000 al año en ingresos recurrentes usaba su agente semanalmente. La cifra describe un segmento de clientes de la plataforma, definido por lo que cada cuenta le paga a Figma. La frecuencia semanal indica que esas cuentas vuelven a la herramienta. El comunicado mide uso y deja abierta la pregunta de cuánto trabajo resuelven con ella.
En el mismo comunicado, Figma informó que el uso de su servidor MCP se triplicó respecto del trimestre anterior y que las operaciones de escritura en Figma se cuadruplicaron. MCP es un protocolo que conecta modelos con herramientas y datos. La empresa publicó cuánto creció esa actividad. Para saber a qué escala se usa y con qué resultado harían falta el volumen absoluto y la tasa de tareas completadas.
Por su parte, Designer Fund y Foundation Capital encuestaron a 906 diseñadores de más de 60 países en marzo de 2026. Según el capítulo sobre práctica de diseño, el 50 % dijo haber enviado código generado con IA a producción al menos una vez. La proporción fue del 68 % entre quienes trabajaban en empresas en etapa temprana y del 33 % entre quienes trabajaban en compañías cotizadas. En el capítulo sobre herramientas, el 62 % señaló los resultados inconsistentes o poco fiables como su principal dificultad.
Según la metodología del informe, el formulario circuló por redes, newsletters y comunidades. El 60 % de quienes respondieron tenía más de diez años de experiencia y los autores reconocen que la muestra pudo atraer a personas más predispuestas a usar IA. Las respuestas sirven para conocer qué hicieron esos diseñadores. La brecha entre startups y cotizadas deja abierta una pregunta: cuánto explican los permisos, el riesgo y los procesos de aprobación en cada tipo de empresa. El informe incluye más de 25 conversaciones con profesionales y cuenta con socios comerciales como Anthropic y Framer. Sus autores afirman que elaboraron y analizaron la encuesta con independencia de esos socios.
¿Cuánto tiempo ahorró Figma Make en el ensayo?
En las tareas que llegaron a completarse, los participantes con acceso a Figma Make tardaron alrededor de un 20 % menos. Los beneficios fueron mayores para los product managers y, entre los diseñadores, variaron según la tarea. El resultado proviene de un preprint de cuatro investigadores de Figma publicado en septiembre de 2026, previo a una eventual revisión por pares.
La firma de investigación MeasuringU reclutó y moderó a los 100 participantes. La mitad eran product designers y la otra mitad, product managers. Todos tenían al menos dos años de experiencia y usaban Figma al menos una vez al mes. Trabajaron sobre la misma interfaz, en el mismo orden y con una imagen de referencia para cada ejercicio. Primero debían pasar la interfaz a modo oscuro, después agregar una opción al menú de ayuda y ajustes, y por último construir un panel interactivo de comentarios.
Un grupo podía usar Make y editar a mano. El otro trabajaba sin IA. Los moderadores comprobaban cuánto se acercaba el resultado a la referencia. En el ejercicio del panel de comentarios, el acceso a Make elevó la tasa de finalización en 19,9 puntos porcentuales. Ese dato importa por sí solo y también cambia cómo se lee el ahorro de tiempo. Cuando una herramienta permite que más gente termine, el promedio de quienes completaron la tarea puede comparar grupos distintos.
Los participantes sabían de antemano qué tenían que construir. Eso permite estudiar cuánto tarda alguien en ejecutar un cambio definido. Para evaluar el trabajo de diseño de un producto también habría que observar cómo el equipo elige qué problema resolver, qué hace cuando hay desacuerdos y cómo mantiene la interfaz después del lanzamiento. En el ensayo, la calidad se evaluó sobre todo a partir de la percepción de los participantes y el ajuste a la referencia. Que el panel se parezca al de la imagen dice poco sobre si una persona puede usarlo con un lector de pantalla o recuperarse de un error.
El resumen corporativo de agosto y el preprint de septiembre usan especificaciones estadísticas distintas y publican cifras agregadas diferentes. En el propio preprint, la discusión y una tabla difieren al presentar un resultado agregado de los diseñadores. De ahí el «alrededor del 20 %». Una cifra más precisa requeriría una aclaración de los autores.
¿Cómo llevan los equipos esos cambios a producción?
En el capítulo sobre herramientas de AI in Design 2026, Katie Dill describe dos herramientas internas de Stripe. ProtoDash incorpora el sistema de diseño de la empresa y Dante se integra al trabajo de contenido. Cuando los componentes y las reglas ya están disponibles, el equipo puede reutilizarlos en cada pedido. Stripe es socio del informe. Su testimonio explica cómo organizó ese trabajo y deja pendiente medir el retorno económico y la calidad a largo plazo.
En el capítulo sobre práctica de diseño del informe, David Stinnette cuenta que su equipo en Samsara hizo prototipos en el código del producto con datos de clientes. Eso les permitió observar estados y casos límite en un entorno más cercano al que usa el cliente. En Watershed, según Hannah Hudson, todos los diseñadores enviaron propuestas de cambios a producción y se apoyaron en ingenieros para revisar el código y aprender. DoorDash mantuvo la aprobación de ingeniería e incorporó una revisión de diseño. Los testimonios muestran cómo estos equipos repartieron el trabajo. Para evaluar el efecto sobre el producto harían falta datos sobre los cambios que se publicaron y sus resultados.
Anita Kirkovska cuenta que, durante la migración del sitio de Vellum, marketing empezó a producir páginas con agentes de programación. El desafío era reproducir un diseño con precisión y mantener la coherencia entre páginas. Es fácil imaginar cómo aparece ese problema cuando varias personas pueden publicar por su cuenta. Una decisión es qué herramienta usar para crear y lanzar un sitio con IA. Otra es quién decide cuándo una página puede apartarse de los componentes compartidos.
¿Qué pasa cuando el equipo todavía está definiendo el problema?
En un estudio presentado en CHI 2025 con 280 diseñadores, Shin y sus colegas compararon tres formas de usar modelos de lenguaje con un proceso manual. En las condiciones del estudio, los modelos no mejoraron la calidad de la reformulación del problema. Los investigadores observaron además que se amplió la brecha entre profesionales con más y menos experiencia, y que los menos experimentados percibieron menos control sobre el proceso. Un equipo puede llegar antes a una interfaz funcional y seguir trabajando sobre un diagnóstico equivocado.
También importa qué explora el equipo antes de elegir una dirección. En un experimento de 2023 que se publicó en CHI 2024, Wadinambiarachchi y sus colegas les dieron a 60 participantes veinte minutos para bocetar avatares. Un grupo trabajó sin apoyo, otro usó Google Images y el tercero, Midjourney V4. Quienes usaron Midjourney tendieron a apegarse más al ejemplo inicial y produjeron propuestas menos variadas y originales. La muestra tenía poca experiencia profesional y el resultado corresponde a esa herramienta y ese ejercicio. En un proyecto actual se puede poner a prueba el mismo riesgo: si todas las variantes parten de una misma idea, pedí una alternativa que cambie un supuesto de la solución.
Tanner Kohler, de Nielsen Norman Group, plantea una distinción similar en su análisis de los flujos de desarrollo con agentes, publicado en octubre de 2026. El equipo puede darle al agente reglas de diseño y comprobar que el código compile, use los componentes previstos y siga la especificación. Para saber si una persona entiende la interfaz, completa la tarea o se recupera de un error, hace falta observar qué pasa cuando intenta usarla.
¿Qué cambia cuando el agente forma parte del producto?
En un estudio cualitativo de Nielsen Norman Group, seis participantes chinos probaron funciones de Qwen para hacer pedidos y reservas. Cuando se les pidió comprar té, cinco empezaron por aplicaciones tradicionales. Durante el estudio hubo problemas para encontrar algunas funciones, aparecieron domicilios donde los participantes no esperaban verlos y faltó información sobre precios finales o equipaje. Algunos abandonaron el proceso.
Con seis participantes, el valor del estudio está en los problemas que permite observar durante el uso. Por ejemplo, antes de que un agente haga un pedido, la persona debería poder entender qué domicilio va a usar, cuánto cuesta la compra y en qué momento puede detenerla. Son decisiones de producto que el equipo tiene que tomar aunque pueda generar la interfaz en minutos.
¿Cómo evaluar un piloto de diseño agéntico?
| Qué podría explicar la mejora | Qué vimos | Qué falta medir |
|---|---|---|
| El agente agiliza cambios bien definidos | El ensayo de Make registró ahorros en tareas acotadas y más participantes terminaron el tercer ejercicio | Tiempo total hasta producción, incluidas revisión y correcciones |
| Los componentes y las reglas de la empresa facilitan el trabajo | Stripe incorporó su sistema de diseño a sus herramientas internas | Cuánto aporta ese contexto al resultado |
| Parte del esfuerzo pasa de producir a revisar | DoorDash agregó una revisión de diseño y Vellum señaló problemas de coherencia visual | Cuánto esfuerzo gana o pierde el equipo en total |
El ensayo de Make ofrece el respaldo más directo para la primera explicación. Las otras dos surgen de cómo trabajan las empresas citadas. Con estos datos todavía queda por medir el efecto sobre el presupuesto de un equipo y la adopción o el empleo en mercados como Argentina y España.
Elegí una tarea recurrente con un resultado que el equipo pueda verificar. Compará cómo se resuelve con y sin agente, desde la preparación hasta la publicación. Contá cuánto lleva generar la primera versión, revisarla y corregirla. La medida principal es cuánto tarda el equipo en tener un cambio que puede aprobar.
Revisá si el cambio respeta el diseño y reutiliza los componentes previstos. Probá la accesibilidad y observá qué pasa cuando una persona intenta completar la tarea o corregir un error. Definí quién puede aprobar y revertir el cambio, y hacé que los permisos técnicos reflejen esas responsabilidades. Si el problema sigue abierto, reservá tiempo para revisar el diagnóstico antes de comprometerte con una solución.
Para un estudio de diseño, esto implica presupuestar investigación, componentes y mantenimiento junto con la producción. Para un equipo de medios de marca que mantiene su propia experiencia digital, implica medir tanto la velocidad de publicación como el trabajo de conservar la coherencia a medida que se agregan páginas.
¿Qué nos haría cambiar de conclusión?
Nuestra hipótesis para los próximos seis meses es que algunos equipos podrán implementar más cambios si el agente trabaja con los componentes y las reglas de la organización y alguien tiene la responsabilidad de revisar el resultado. Cuando el problema sigue abierto, generar más rápido también puede dejar más trabajo de corrección.
El 9 de mayo de 2027 revisaríamos esa hipótesis con datos de proyectos completos. Buscaríamos un ahorro que se mantenga después de contar las revisiones y los cambios posteriores a la publicación, junto con resultados sostenidos para los usuarios. Si el ahorro llega a producción y se conserva la accesibilidad, la comprensión y la capacidad de mantener el producto, habría más razones para ampliar lo que se delega. Si aumentan las regresiones y el retrabajo, que la primera versión llegue antes explica solo una parte del resultado.
Preguntas frecuentes
¿Qué es el diseño agéntico?
Es el uso de sistemas que reciben un objetivo, modifican un diseño, un prototipo o código y ajustan su trabajo según el resultado. La autonomía depende de la herramienta y de la tarea.
¿Los agentes de IA para diseño UX ahorran un 20 % del tiempo?
En el ensayo de Figma Make con 100 participantes, el ahorro rondó el 20 % entre las tareas completadas. Eran tres cambios de interfaz con referencias visuales. Para estimar el ahorro en un proyecto completo habría que incluir desde la definición del problema hasta el mantenimiento.
¿Qué significa que el 65 % usara el agente de Figma?
Al cierre de octubre de 2026, el 65 % de las cuentas que le aportaban a Figma más de US$10.000 anuales en ingresos recurrentes usaba su agente cada semana. La cifra mide la frecuencia de uso en ese segmento.
¿La IA ayuda a reformular problemas de diseño?
En el estudio de Shin y sus colegas con 280 diseñadores, los modelos evaluados no mejoraron la calidad de la reformulación. La diferencia entre profesionales con más y menos experiencia se amplió en las condiciones del ensayo.
¿Cómo evalúo un piloto de prototipado con IA?
Compará la misma tarea con y sin agente y medí cuánto tiempo pasa hasta que el equipo puede aprobar el cambio. Incluí la revisión y las correcciones. Probá si la interfaz respeta el sistema de diseño, es accesible y permite que una persona complete la tarea y se recupere de un error.