smart_toy Inteligencia Artificial › Article

Microcopy con IA: qué delegar a un modelo y qué no

La IA sirve para generar variantes de microcopy y ajustar longitud, pero falla en audiencia, tono y accesibilidad. Qué delegar a un modelo y qué revisar a mano.

info Definición Rápida

El microcopy es el texto muy breve de una interfaz: etiquetas de botones, ayudas, mensajes de error, placeholders. Microcopy con IA es usar modelos de lenguaje para generar y ajustar esos textos con una regla clara: el modelo propone variantes y una persona decide, sobre todo en tono, audiencia y accesibilidad.

¿Qué es el microcopy y por qué cuesta delegarlo?

Nielsen Norman Group define microcopy como texto de menos de tres frases y le asigna tres objetivos: informar, influir en una decisión y apoyar la interacción con la interfaz. Un mismo texto puede cumplir uno o varios, y conviene saber cuál antes de escribirlo.

Para el microcopy informativo, NN/g propone además tres prioridades en orden: primero claridad, después concisión y al final carácter (tono, humor, lo que humaniza el texto), siempre que el carácter no estorbe a las otras dos. Ese orden es útil para revisar lo que propone un modelo: un texto simpático pero confuso falla en lo primero.

Delegarlo es difícil porque las palabras correctas dependen del producto, de quién lo usa y del momento. Un modelo no ve la pantalla en el móvil de alguien con prisa. Para el flujo general de redacción con IA (contexto, glosario, prompts por pantalla) mira UX writing con IA; esta página se centra en qué conviene delegar y qué no.

¿Qué hace bien una IA?

LogRocket (enero de 2026) enumera usos donde la IA acelera sin mucho riesgo:

Lluvia de ideas: genera opciones para un mismo estado (su ejemplo va de “En progreso” a “Lo estamos haciendo”) que el redactor refina. Son puntos de partida, no texto final.
Edición: ajustar el tono y señalar textos que superan un límite de caracteres.
Primera pasada cultural: marcar posibles problemas de traducción o de contexto cultural antes de probar con usuarios reales.

Un uso adicional, de sentido común y no de LogRocket: pedirle una lista de inconsistencias de vocabulario (la misma acción llamada “Eliminar” en una pantalla y “Borrar” en otra) sobre textos ya escritos. Verifica la lista, porque el modelo puede inventar diferencias o pasar por alto otras.

En todos los casos el modelo trabaja sobre un texto que ya tiene sentido. El criterio de fondo sigue siendo humano.

¿Dónde falla?

El mismo artículo de LogRocket documenta fallos recurrentes:

Sesgo cultural: al pedir copy para usuarios en Nigeria, la autora cuenta que el modelo usó Nigerian Pidgin por defecto, aunque no todas las personas lo hablan y muchos esperan un inglés formal y claro en productos profesionales.
Tono desajustado: un banco usó un lenguaje juguetón que no encajaba con un usuario de más edad que esperaba un tono profesional. La autora toma el caso de una publicación de LinkedIn.
Accesibilidad: tiende a patrones como “Click here”, etiquetas vagas como “Submit” o “Continue” y errores del tipo “Oops… Something went wrong!”, que dejan al usuario sin siguiente paso.
Sobrecorrección: si le pides adaptar el texto a una audiencia, puede caer en estereotipos. En su ejemplo, ChatGPT marcó la palabra “smash” como riesgosa para jóvenes nigerianos, pero al probarla con usuarios locales resultó clara en contexto. La autora lo trata como una pista que investigar, no como veredicto.

Estos fallos comparten algo: son plausibles. Un texto que suena bien pasa una lectura rápida aunque no sirva a quien lo lee. Por eso la revisión debe ser deliberada.

¿Qué criterios de accesibilidad toca el microcopy?

Cuatro criterios de WCAG 2.2 dependen directamente de las palabras que escribes:

Criterio	Nivel	Qué exige	Qué implica para el texto
3.3.1 Identificación de errores	A	Si se detecta un error de entrada, se identifica el campo y se describe el error en texto	El color rojo no basta; el mensaje debe decir qué campo y qué pasó
3.3.3 Sugerencias ante errores	AA	Si se conoce la corrección, se sugiere	“Fecha inválida” es peor que “Usa el formato DD/MM/AAAA”
2.4.4 Propósito de los enlaces (en contexto)	A	El propósito de cada enlace se deduce del texto del enlace o de su contexto	“Ver más” suelto no cumple si no hay contexto que lo aclare
2.5.3 Etiqueta en el nombre	A	El nombre accesible incluye el texto visible	Si el botón dice “Pagar”, el nombre accesible no puede ser “Completar transacción”, o la voz no lo activa

Un modelo no comprueba estos criterios por sí solo. Pídele que los tenga en cuenta, pero verifica el resultado tú.

¿Cómo se pide y se revisa un microcopy generado?

Para pedirlo, da al modelo lo que no puede adivinar: qué pantalla es, qué acaba de hacer la persona, qué acción sigue, el límite de caracteres y los términos oficiales del producto. Pide tres variantes con una frase de justificación cada una, no una sola respuesta.

Para revisarlo, usa esta lista antes de aprobar:

¿Dice qué pasó y qué hacer? En un error, la primera frase explica el problema y la segunda la salida.
¿Se entiende aislado? Un lector de pantalla puede listar los enlaces fuera de contexto. “Ver más” no dice más de qué.
¿Es claro antes que simpático? Aplica el orden claridad, concisión, carácter.
¿El nombre accesible coincide con el texto visible? Compruébalo con una herramienta de accesibilidad o con control por voz.
¿Es verdad dentro del producto? Si promete un plazo o un resultado, confirma con el equipo que el sistema lo cumple.
¿Lo vio alguien de la audiencia real? Si hay sesiones de research, usa esa referencia, no la del modelo.

Ejemplo

Ejemplo ilustrativo: un formulario de pago muestra el botón “Procesar”. Pides al modelo variantes de hasta 24 caracteres y devuelve “Procesar pago”, “Confirmar compra” y “Pagar ahora”. El equipo descarta las tres en revisión: “Pagar ahora” sugiere un cargo inmediato que en realidad ocurre dos días después. Se queda con “Confirmar compra” y añade debajo una línea que dice cuándo se cobra. Qué promete la pantalla fue una decisión humana.

Errores comunes

Dar al modelo el tono pero no la audiencia ni ejemplos reales.
Aceptar etiquetas genéricas (“Enviar”, “Ok”, “Aceptar”) porque suenan normales.
Revisar solo la longitud y no el significado.
Olvidar que un botón o enlace sin contexto es un problema para quien usa lector de pantalla.
Usar el mismo prompt para todas las audiencias.
Publicar promesas (plazos, precios, resultados) que el modelo redactó sin verificarlas.

¿Cuándo no conviene delegarlo?

En textos legales, de seguridad o de cobro, y en mensajes de error sobre datos personales o dinero que el usuario debe entender sin ambigüedad. Ahí el modelo puede proponer, pero el texto final lo aprueba la persona responsable del producto y, si aplica, legal.

Fuentes

Preguntas frecuentes

¿Qué parte del microcopy puedo delegar a una IA?

Generar variantes de etiquetas, ajustar el texto a un límite de caracteres y detectar inconsistencias de vocabulario. El tono, la audiencia y la accesibilidad deben quedarse con una persona.

¿Por qué la IA escribe textos como 'Click here' o 'Algo salió mal'?

Según LogRocket, los modelos tienden a esos patrones por defecto: enlaces genéricos, etiquetas vagas y errores sin siguiente paso. Para evitarlo, dale la pantalla, la acción exacta y ejemplos de texto específico.

¿Qué tipo de error comete la IA en microcopy?

Falla en el tono para una audiencia concreta, puede caer en sesgos culturales o estereotipos y propone etiquetas poco claras. Además, presenta esos errores con la misma seguridad que los aciertos.

¿Cómo reviso microcopy generado con IA?

Léelo dentro de la pantalla real, comprueba que explique qué pasó y qué hacer, que se entienda aislado, que el nombre accesible coincida con el texto visible y que cada promesa sea cierta según el producto.