Madurez de IA en equipos de diseño: niveles y cómo subir de uno a otro
Un modelo de madurez de IA en diseño ordena cómo un equipo pasa del uso personal a la infraestructura. Niveles, cómo medirlos y qué hacer para avanzar de nivel.
¿Qué niveles describe el modelo?
El modelo de madurez de IA para diseño que más se cita nació en 1Password. Su autor es Matt Davey, director de experiencia (Chief Experience Officer) de la empresa, y tiene cinco niveles. Jakob Nielsen lo resumió y añadió un sexto. Estos son los niveles según el resumen de Nielsen:
| Nivel | Qué pasa en el equipo |
|---|---|
| 1. Limitado | La IA es una ayuda personal para tareas administrativas. No hay estrategia ni presupuesto, la prototipación es manual y la IA del producto es un añadido superficial. |
| 2. Reactivo | Los experimentos son sueltos y suelen responder a la presión de “lanzar IA”. Los resultados son desiguales y la ética es una ocurrencia tardía. |
| 3. En desarrollo | La IA acelera prototipos y comunicación a partir de problemas concretos. Hay playbooks documentados y algo de inversión en herramientas. |
| 4. Integrado | La IA se financia como parte central del stack de diseño y los sistemas de diseño e ingeniería están alineados. Los prototipos se construyen con componentes reales de front-end y se diseña para la confianza, la incertidumbre y el rechazo. |
| 5. Líder | La IA es infraestructura fundamental. Los diseñadores piensan en código y sistemas, y tratan la IA responsable como un asunto de calidad del producto. |
| 6. Simbiótico (añadido por Nielsen) | El tiempo de diseño y el tiempo de ejecución se difuminan: agentes de IA generan y optimizan interfaces en tiempo real para cada usuario. Los diseñadores definen restricciones y límites. |
El modelo original evalúa seis características: liderazgo en IA, estrategia y presupuesto, cultura y talento, aprendizaje y habilitación, agentes y automatización, y diseño de producto con IA. Un equipo puede ir más avanzado en unas que en otras.
Nielsen dice que el nivel 5 es “probablemente lo mejor a lo que podemos aspirar hoy (en 2026)”. Del nivel 6 afirma que sigue siendo una meta ambiciosa en 2026 para casi todos y que podría ser plausible en 2027 solo para organizaciones que ya operan de forma constante en el nivel 5. Son estimaciones de un autor, no un estándar: úsalas como brújula, no como calificación oficial.
¿Cómo se mide la madurez?
1Password plantea medirla por resultados y no por volumen. Su artículo dice que la madurez no se mide por cuánto puede producir un equipo, sino por si la IA le ayuda a aprender antes, hacer mejores preguntas, descubrir riesgos más pronto y tomar decisiones más claras. Un equipo en el que todos usan un chat cada día puede estar en un nivel bajo si ninguna decisión de producto cambió.
Nielsen añade otro criterio: la madurez se mide por el desempeño normal del equipo, no por sus mejores días. Un prototipo brillante hecho una vez con IA no sube el nivel; sí lo sube hacerlo así de forma repetible.
En la práctica, el nivel se ve en los artefactos. Puedes preguntarte:
- ¿Hay un playbook escrito para las tareas con IA?
- ¿Los prototipos usan componentes reales del sistema de diseño?
- ¿El equipo sabe cuándo la IA encaja y cuándo debe decidir una persona?
Si las respuestas son no, el equipo puede tener mucha actividad sin madurez.
¿Qué hace un equipo para avanzar?
Estas prácticas salen del artículo de 1Password sobre su propio equipo y del resumen de Nielsen:
- Usar la IA para enmarcar problemas, prototipar flujos, criticar opciones y probar supuestos, no solo para producir pantallas.
- Construir prototipos con componentes reales. Así las preguntas aparecen antes de que ingeniería empiece, cuando cambiar algo aún es barato.
- Saber cuándo encaja la IA y cuándo hace falta juicio humano. 1Password lo atribuye a los equipos en el nivel integrado. Dejarlo por escrito en un playbook es una forma práctica de lograrlo; el artículo no detalla cómo.
- Invertir en fluidez con IA en todo el equipo. 1Password menciona un programa de “AI champions” dentro de su inversión más amplia en formación.
- Compartir el modelo con el resto de la organización. 1Password lo publica en Figma para que otros equipos lo revisen.
- Subir un nivel a la vez. Nielsen advierte que saltarse niveles crea “deuda de capacidades” y que un equipo en el nivel 2 debe apuntar al 3, porque los niveles 4 en adelante todavía no están a su alcance. También sugiere que un esfuerzo enfocado puede subir una organización unos dos niveles por año.
Ejemplo
Ejemplo ilustrativo: un equipo de cinco diseñadores está en el nivel 2. Cada uno usa un asistente por su cuenta, y dos funciones de IA salieron al mercado sin un criterio común. Para subir al nivel 3, el equipo elige una herramienta de prototipado, escribe un playbook corto con los casos en que se usa y los que no, y pide que cada prototipo use componentes del sistema de diseño. Al cabo de unos meses, para aspirar al nivel 4, necesita presupuesto anual, conectar sus prototipos con el repositorio de componentes de ingeniería y definir quién revisa las decisiones de confianza y error. Las dos últimas cosas no dependen solo de diseño.
Errores comunes
- Medir la madurez por número de licencias o de personas que usan la IA.
- Saltar niveles, por ejemplo intentar un flujo de agentes sin playbook ni componentes reales.
- Dejar la ética para el final, como pasa en el nivel 2.
- Usar el modelo como ranking entre equipos, lo que desincentiva probar cosas nuevas.
- Evaluar al equipo por su mejor día en vez de por su trabajo habitual.
¿Cuándo no conviene usar el modelo?
Cuando el equipo es muy pequeño y el costo de documentar playbooks y medir resultados supera lo que aporta. Un equipo de dos personas puede avanzar más aprendiendo haciendo. Tampoco sirve si la organización no puede decidir sobre herramientas: el nivel 4 exige presupuesto y alineación con ingeniería que no dependen del diseño.
Si el equipo está en el nivel 3 y busca criterios para decidir qué productos usan IA, revisa estrategia de producto con IA y cuándo usar IA en un producto. Para medir el avance con indicadores concretos, sirven las métricas de producto para features de IA. Nielsen Norman Group describe la IA en su guía de estudio como unos “guantes”: las manos siguen dirigiendo el trabajo. Es un principio que pesa más a medida que el equipo madura.