Le pides a una IA que revise tu web y te devuelve veinte consejos razonables. El problema nunca fue ese.
Hace tiempo que le doy vueltas a una idea que, cuanto más trabajo con IA, más central me parece: producir más respuestas ya no es el problema. El problema es distinguir cuáles merecen convertirse en una decisión.
Es una de las tesis de la guía AI First que estoy escribiendo. Cuando producir deja de costar, el valor se mueve a otro sitio: a formular bien el problema, a separar señal de ruido, a trabajar con evidencia de verdad, a acordarte de lo que ya aprendiste y a no confundir ir rápido con ir a algún sitio.
UXMachine nace ahí. No de querer generar “consejos de UX” más deprisa —eso hoy lo hace cualquiera—. Le pides a un modelo que mire una web y te suelta un puñado de recomendaciones perfectamente razonables: mejora el titular, haz más visible el botón, simplifica el formulario, quita ruido, refuerza la propuesta de valor. Suenan bien. Y ahí está el asunto: sonar bien y estar justificado no son la misma cosa, y esa distancia es justo lo que me interesa.
Sonar bien no es lo mismo que estar justificado
Hace poco, en una auditoría, el sistema tenía delante la recomendación fácil: “haz más visible el CTA principal”. Es de esas frases que casi nunca fallan de puro genéricas. Escribirla no tenía ningún mérito. Lo difícil era lo otro. ¿Había evidencia observable para sostenerla? ¿El botón competía de verdad con otros elementos, o se veía perfectamente? ¿La fricción estaba en el CTA o en que antes no se entendía la propuesta de valor? ¿Había algo contaminando la lectura —un banner de consentimiento, por ejemplo— que explicara mejor lo que teníamos delante? Una cosa era tener una intuición razonable. Otra, poder defenderla.
Esa distancia, entre parecer útil y estar justificado, es una de las razones por las que estoy construyendo esto.
Tres cosas que conviene no mezclar
La mayoría de herramientas de IA mezclan tres cosas que convendría mantener separadas. Está la observación, que es lo que el sistema detecta en la página. Está el diagnóstico, que es una interpretación de cómo eso puede estar afectando a lo que el usuario entiende o decide. Y está la decisión: qué cambiar, con qué prioridad, qué no tocar todavía y qué conviene comprobar antes de meter mano. Cuando los tres niveles se mezclan salen informes que parecen muy listos y resultan poco fiables, porque una observación floja acaba disfrazada de recomendación estratégica, y una intuición visual, si está bien redactada, pasa por certeza.
UXMachine intenta trabajar en esa frontera. No busca producir un informe largo, sino ayudar a responder unas pocas preguntas concretas: qué puede estar bloqueando la comprensión o la decisión del usuario, qué evidencia visible o estructural lo sostiene, qué cambio tiene más sentido priorizar, qué conviene verificar antes de tocar nada y —la que más me importa— cuándo es más honesto no recomendar.
Qué recibes cuando le das una URL
Vale la pena bajarlo a lo concreto, porque es fácil que todo esto suene a filosofía. Le das una URL pública. En vez de la lista de veinte consejos, recibes pocas cosas y ordenadas: qué se observa en la página, qué puede estar generando fricción y con qué evidencia visible se sostiene, qué merecería la pena priorizar, qué conviene verificar antes de tocar, y —cuando toca— un “con lo que se ve, yo todavía no lo cambiaría”. Menos texto, pero cada afirmación con algo detrás. Ese es el intercambio: renuncias a la sensación de haberlo cubierto todo a cambio de poder fiarte de lo poco que se te dice.
Cuándo es más honesto callar
Ese último punto va a contracorriente. En muchos productos de IA da la sensación de que el sistema es mejor cuanto más responde. Aquí intento lo contrario: que también sea mejor cuando es capaz de decir “con esta evidencia, todavía no debería convertir esto en una decisión”. No luce en una demo. Pero me parece bastante más serio.
Porque una mala recomendación de UX no sale gratis. Puede llevar a una empresa a cambiar una página que funcionaba, a quitar un elemento que ayudaba, a priorizar una mejora menor o a tratar una preferencia estética como si fuera un problema de conversión. El coste es real, aunque no se vea en el momento.
Una relación decente con la evidencia
Por eso la pregunta que me interesa no es tanto si la IA puede analizar una interfaz —puede—, sino si puede mantener una relación decente con la evidencia. UXMachine trabaja con capturas, señales visibles, la estructura de la página, las jerarquías, los elementos de acción y las fricciones que se observan. Y por debajo, una regla sencilla: si no hay evidencia suficiente, la recomendación no debería venderse como una verdad.
Esa regla, por simple que parezca, cambia el producto que estás construyendo. Deja de ser una IA que siempre tiene algo que decir y pasa a ser un sistema que a veces ayuda más marcando el límite de lo que aún no se puede afirmar.
Para quién es esto, y cuándo sirve
Cuando alguien me pregunta para quién construyo UXMachine, la respuesta corta es: para quien tiene que decidir qué tocar en una web y no le sobra ni tiempo ni margen de error. Un equipo de producto que se plantea un rediseño y quiere una segunda lectura antes de mover medio home. Un consultor o una agencia que hace auditorías y necesita separar lo que de verdad se sostiene de lo que solo suena bien en un informe. Un fundador que mira su propia landing demasiado de cerca como para verla con distancia. Gente que no busca más ideas —de esas ya tiene de sobra— sino una forma de saber cuáles merecen convertirse en un cambio.
Y el para qué es justo ese. No producir otra lista de recomendaciones, sino ayudar a decidir con menos ruido: qué priorizar, qué dejar como está, qué comprobar antes de tocar. En equipos donde cada cambio cuesta reuniones, desarrollo y el riesgo de romper algo que funcionaba, tener a alguien —o a algo— capaz de decirte “con lo que se ve, yo todavía no lo cambiaría” vale más que veinte sugerencias seguras. Ese es el trabajo que quiero que haga: no impresionar en la auditoría, sino mejorar la decisión que viene después.
Acumular criterio, no respuestas
Aquí se cruza otra idea de la guía: la memoria. Trabajar con IA no debería reducirse a lanzar prompts sueltos y quedarte con respuestas sueltas. Lo interesante es construir sistemas que vayan acumulando: qué señales se repiten, qué diagnósticos sirvieron, qué tipo de evidencia falta una y otra vez, dónde el sistema tiende a pasarse de confiado. UXMachine todavía está construyendo esa memoria, pero esa es la dirección que me interesa.
Trabajar AI First es decidir mejor
Trabajar AI First, para mí, nunca fue usar más herramientas, ni automatizar por deporte, ni sacar diez versiones de un documento donde antes había una. Es diseñar mejor el proceso de pensar: qué pides, con qué contexto, con qué restricciones, con qué memoria, con qué manera de evaluar lo que sale y con qué límites. La IA acelera, sí. Pero sin criterio lo que acelera es la confusión.
UXMachine es mi forma de mirar todo esto en un terreno muy concreto: una web, los primeros segundos de alguien delante de ella, una fricción que se ve, una decisión de usuario, una recomendación que puede ayudar o puede ser una irresponsabilidad. Y ahí, ahora mismo, es donde tengo la cabeza. No en que la IA parezca más segura, sino en que aprenda a frenar cuando toca y a ser útil cuando de verdad tiene con qué.
Pruébalo con una URL tuya
Si has llegado hasta aquí es porque algo de esto te resuena, así que te propongo lo obvio: pruébalo. Si tienes una URL delante de la que estás decidiendo qué cambiar —una landing, un home, un checkout, la página que te está costando— dásela y mira qué te devuelve. Está en uxmachine.app.
Lo digo claro, porque es parte del trato: esto es un experimento. Serio, pero experimento. No lo vendo como “la solución definitiva para auditar UX con IA”, porque no lo es todavía. Precisamente por eso me interesa que lo usen personas con criterio —consultores, gente de producto, fundadores que se conocen su web— y que me digan dónde se pasa de confiado y dónde se queda corto. Cada diagnóstico con criterio detrás me ayuda a afinar dónde el sistema debe hablar y dónde debe frenar.
Porque en el fondo esto es un laboratorio para una pregunta más grande: ¿cómo pasamos de una IA que produce respuestas a una IA que ayuda a construir criterio? Esa pregunta no es solo de diseño de interfaces. Aparece en el marketing, en la formación, en la consultoría, en producto, en casi cualquier sitio donde la IA empieza a meterse en decisiones que importan. Iré compartiendo lo que vaya saliendo, del lado de UXMachine y del de la guía. Pero la parte que de verdad me sirve empieza cuando alguien pone una URL suya delante y me cuenta qué ha visto.
Cada vez lo tengo más claro: lo que viene con la IA no va de producir más. Va de decidir mejor. Y la mejor forma de que lo veamos juntos es que lo pruebes con algo que te importe.
