La IA generativa (GenAI) está transformando rápidamente los sectores al redefinir la forma en que se crea, personaliza y distribuye el contenido. Desde el comercio electrónico y la sanidad hasta el entretenimiento y la educación, la GenAI está automatizando procesos que antes eran manuales y permitiendo un nivel de creatividad y personalización que antes era imposible. Ya sea generando contenidos de marketing, produciendo imágenes de alta calidad o ayudando en tareas complejas como la generación de código, la capacidad de la GenAI para responder a las entradas de los usuarios y crear resultados personalizados está ampliando las posibilidades de lo que la tecnología puede lograr.

Este cambio está revolucionando la forma en que operan las empresas y cómo interactúan los usuarios con los sistemas digitales. Al igual que un chef prepara diversos platos en función de los ingredientes y las preferencias de los clientes, la IA generativa toma las entradas de los usuarios y las procesa para ofrecer una variedad de resultados, ya sean textos, imágenes u otras formas de contenido. La versatilidad y la adaptabilidad de la IA generativa le permiten satisfacer un amplio abanico de necesidades. A medida que crecen las aplicaciones de la GenAI, también lo hace la necesidad de contar con principios de diseño bien meditados que garanticen que la tecnología sea a la vez potente y responsable.

En este artículo se describen los principios clave de diseño para fomentar el desarrollo responsable de las aplicaciones de IA generativa, prestando especial atención a las consideraciones éticas y a las prácticas centradas en el usuario. Al respetar estos principios, las empresas pueden aprovechar las capacidades de la IA generativa sin dejar de mantener la confianza y la transparencia con los usuarios.

 

Resumen de los principios de diseño

El diseño de sistemas de IA generativa plantea retos únicos. Una de las preocupaciones más importantes es abordar el sesgo en los contenidos generados por la IA. Dado que estos modelos se entrenan con grandes conjuntos de datos que pueden contener información sesgada, siempre existe el riesgo de que los resultados reflejen esos sesgos. Al igual que un chef debe prestar atención a la calidad y la frescura de los ingredientes, los diseñadores de sistemas de GenAI deben supervisar cuidadosamente los datos utilizados para entrenar estos modelos, asegurándose de que los resultados sean imparciales y precisos, especialmente en ámbitos sensibles como la sanidad y las finanzas, donde los sesgos pueden tener consecuencias significativas.

Otro reto radica en mitigar la desinformación. Los sistemas de IA general, aunque son muy sofisticados, a veces pueden generar resultados que son objetivamente incorrectos o engañosos. Este problema, conocido como «alucinación», pone de relieve la necesidad de diseñar sistemas de IA capaces de verificar y filtrar sus resultados antes de presentarlos a los usuarios. En aplicaciones críticas como la atención al cliente o las herramientas educativas, la precisión del contenido generado por la IA es tan esencial como un plato que esté bien preparado y sea seguro para el consumo.

Generar confianza es igualmente fundamental. Los usuarios deben tener la seguridad de que los resultados generados por la IA son fiables y de que el sistema es transparente en cuanto a su funcionamiento. Los usuarios deben confiar en que la IA generativa produce resultados de alta calidad, seguros y adecuados. Los diseñadores deben explicar claramente el proceso y dar el control a los usuarios, creando una relación en la que estos puedan comprender y orientar los resultados del sistema.

Otro principio de diseño importante es potenciar a los usuarios a través de la personalización y la cocreación. Los sistemas de IA generativa deben permitir a los usuarios perfeccionar e influir en los resultados que obtienen. La IA generativa debe ofrecer a los usuarios la posibilidad de ajustar los resultados mediante configuraciones adaptables o retroalimentación iterativa. Esta interacción entre el usuario y la IA potencia la creatividad y adapta los resultados para satisfacer las necesidades específicas de cada usuario.

El diseño de los sistemas de IA generativa va más allá de la mera optimización técnica. Un diseño eficaz requiere un enfoque equilibrado que tenga en cuenta retos éticos, como los sesgos y la desinformación, junto con el empoderamiento y la confianza de los usuarios. Partiendo de las perspectivas de Algolia sobre la evaluación de contenidos generados por IA para lograr una experiencia de búsqueda óptima, hay factores adicionales —como la legibilidad, la calidad de la información y la accesibilidad— que resultan esenciales para que los contenidos generados por IA satisfagan las expectativas de los usuarios en cuanto a claridad, relevancia e inclusividad. Este artículo analiza en profundidad estos principios de diseño integrales y ofrece una hoja de ruta para crear sistemas de IA generativa que mejoren tanto la tecnología como la experiencia del usuario en diversos sectores.

 

Diseñar de forma responsable: el chef ético

La responsabilidad de la creación

Los sistemas de IA generativa deben diseñarse con cuidado, ya que sus resultados tienen repercusiones en el mundo real. Los desarrolladores de IA son responsables de los resultados que generan sus modelos. Un ejemplo destacado de diseño responsable de IA es ChatGPT, de OpenAI, que incluye una moderación explícita de contenidos y medidas de protección para evitar la generación de contenidos perjudiciales o inapropiados. OpenAI ajusta y filtra continuamente el modelo para evitar que produzca lenguaje perjudicial, lo que demuestra la importancia de crear resultados seguros y éticos.

Para los desarrolladores, esto se traduce en la incorporación de sistemas de moderación de contenidos directamente en sus implementaciones de GenAI. Al diseñar aplicaciones de GenAI, los desarrolladores pueden integrar bucles de retroalimentación en tiempo real para supervisar y ajustar los resultados sobre la marcha. Por ejemplo, pueden comprobar mediante programación si los resultados de la IA contienen lenguaje ofensivo o perjudicial y marcar el contenido para su revisión.

Este mecanismo de retroalimentación permite a los desarrolladores garantizar que sus sistemas de IA generativa actúen de forma responsable en todo momento en entornos del mundo real, evitando que se generen resultados perjudiciales antes de que lleguen a los usuarios.

Al actuar de forma proactiva, los desarrolladores pueden evitar incidentes como el fallo del chatbot Tay de Microsoft, en el que unas medidas de seguridad insuficientes dieron lugar a respuestas ofensivas, lo que empañó tanto la confianza como la experiencia del usuario. En el sector minorista, la supervisión proactiva podría evitar incidentes embarazosos o polémicos, como la recomendación de productos ofensivos, que podrían dañar la reputación de la marca y la confianza de los consumidores.

Enfoque centrado en las personas

Un enfoque centrado en las personas sitúa las necesidades y experiencias de los usuarios en el centro del diseño de la IA general. Los desarrolladores deben dar prioridad a la creación de sistemas que empoderen a los usuarios, en lugar de imponer resultados predeterminados. Por ejemplo, Grammarly utiliza un enfoque de diseño centrado en las personas al ayudar a los usuarios a mejorar la creación de sus contenidos mediante sugerencias, en lugar de dictar el contenido final. Este nivel de flexibilidad —que permite a los usuarios aceptar, rechazar o modificar las sugerencias— les otorgael control sobre los resultados generados por la IA.

Desde el punto de vista del comercio minorista, las descripciones de productos generadas por IA pueden ofrecer diversos estilos (por ejemplo, informal, formal o técnico) que se adapten a los hábitos de navegación o las preferencias del cliente, lo que permite a los clientes interactuar con contenidos que se ajusten a su estilo personal de compra. Esta flexibilidad podría lograrse mediante API claras que permitan a los comerciantes, o incluso a los propios clientes, ajustar el tono o el formato del contenido generado por IA. Por ejemplo, al generar descripciones personalizadas de prendas de ropa, los usuarios podrían elegir entre diferentes tonos que se adapten a la imagen de marca de la tienda, lo que les daría un mayor control sobre la forma en que se presentan los productos.

Personalización de las descripciones de los productos en función de las preferencias de tono de los usuarios

Este ejemplo muestra cómo un sistema de IA generativa puede adaptar el tono de las descripciones de productos en función de las preferencias del usuario. Al especificar parámetros como «profesional» o «informal», los usuarios pueden controlar el estilo del contenido, lo que favorece un enfoque centrado en las personas, ya que adapta los resultados a los gustos individuales y a las necesidades de la marca.

Al permitir que los clientes y las empresas especifiquen parámetros como el tono, el estilo o el grado de formalidad, los desarrolladores crean una experiencia personalizable que mejora la satisfacción y la implicación de los usuarios. Esta flexibilidad garantiza que los clientes no sean meros consumidores pasivos de contenidos generados por IA, sino participantes activos en la configuración de su experiencia de compra.

Un ejemplo que contrasta con el diseño centrado en el usuario lo encontramos en los primeros sistemas de texto predictivo, en los que la IA completaba automáticamente las frases sin que el usuario tuviera mucho control sobre ello, lo que a menudo daba lugar a completamientos irrelevantes o incorrectos. Esta falta de flexibilidad y orientación frustraba a los usuarios.

Abordar las tensiones entre valores

Equilibrar las necesidades de las distintas partes interesadas —clientes, directivos y equipos de producto— puede generar tensiones en torno al valor. Por ejemplo, los sistemas de IA que recomiendan productos deben encontrar un equilibrio entre la personalización y las consideraciones éticas, como evitar la discriminación de precios o los sesgos en las recomendaciones de productos. Los desarrolladores deben garantizar que los modelos de IA sirvan a los intereses de los clientes ofreciendo sugerencias relevantes y justas, al tiempo que se ajustan a los objetivos empresariales, como la promoción de artículos de temporada o de productos con mayor margen de beneficio.

Las estrategias de fijación de precios personalizadas constituyen un ejemplo de cómo gestionar las tensiones relacionadas con el valor. Los minoristas pueden ofrecer descuentos en función del comportamiento de compra del cliente, pero la transparencia sobre cómo se calculan esos precios es fundamental para mantener la confianza de los clientes. Un enfoque centrado en las personas puede ayudar a mitigar estas tensiones al comunicar claramente a los clientes cómo se toman las decisiones de fijación de precios basadas en la inteligencia artificial.

Garantizar la transparencia en los resultados de los precios personalizados

Este ejemplo muestra cómo un sistema de IA general (GenAI) puede mejorar la transparencia al incluir explicaciones junto con los resultados personalizados de fijación de precios. Al comunicar de forma transparente cómo los sistemas de IA llegan a las recomendaciones de precios o de productos, los desarrolladores pueden generar confianza y ayudar a los usuarios a comprender la base de los resultados generados por la IA. Esta transparencia es especialmente importante en el sector minorista, donde los clientes esperan equidad en las recomendaciones de productos o en las decisiones sobre precios, y en sectores sensibles (y, a menudo, regulados) como la sanidad y las finanzas, donde el impacto del contenido generado por la IA debe justificarse claramente. Al ofrecer claridad sobre la elección de modelos y las fuentes de datos, los desarrolladores permiten a los clientes tomar decisiones informadas, lo que refuerza la confianza y la satisfacción general con los sistemas basados en IA.

Pruebas para detectar daños

Es fundamental realizar pruebas exhaustivas para garantizar que los sistemas de IA generativa no generen resultados perjudiciales. Un chef prueba los platos antes de servirlos. Es necesario llevar a cabo una evaluación rigurosa para identificar y mitigar el contenido perjudicial, los sesgos o las imprecisiones en los modelos de IA generativa.

Se pueden crear protocolos de pruebas automatizadas para evaluar de forma continua la posibilidad de que los resultados de la IA contengan sesgos o sean perjudiciales. La incorporación tanto de pruebas previas al lanzamiento como de un seguimiento posterior al mismo permite detectar los problemas antes de que se agraven, lo que reduce el riesgo de que los resultados perjudiciales lleguen a los usuarios.

Comprobación automatizada de sesgos en los resultados de la IA

Como se puede observar en el fragmento de código anterior, este muestra un sencillo mecanismo de comprobación de sesgos en GenAI, que analiza los resultados en busca de términos sensibles relacionados con el género, la raza o la edad.

Estos mecanismos supervisan activamente la presencia de resultados sesgados y garantizan la mejora continua de los datos de entrenamiento o del diseño algorítmico, lo que fomenta la obtención de resultados éticos. Un caso real, aunque muy sonado, en el que unas pruebas insuficientes provocaron un perjuicio significativo fue el de la herramienta de selección de personal basada en IA de Amazon, que rebajó la puntuación de las candidaturas de las mujeres debido a datos de entrenamiento sesgados. Este fallo pone de relieve la necesidad de realizar una evaluación exhaustiva de los sistemas de IA generativa antes de su implantación, así como las consecuencias y el riesgo reputacional que pueden derivarse de ello.

 

Diseño para modelos mentales

Comprender las expectativas de los usuarios

Cuando los usuarios interactúan con sistemas de IA generativa, traen consigo expectativas basadas en experiencias previas con software tradicional. Sin embargo, la IA generativa plantea nuevos retos que se alejan de las interacciones convencionales, por lo que es fundamental que los diseñadores ayuden a los usuarios a construir modelos mentales precisos sobre el funcionamiento de la IA generativa. Un modelo mental es, en esencia, la comprensión interna que tiene el usuario de cómo funciona un sistema, y es lo que guía sus interacciones y su toma de decisiones.

En los sistemas tradicionales, los usuarios esperan coherencia: si introducen los mismos datos varias veces, suelen obtener el mismo resultado. Sin embargo, con la IA generativa, la relación entre la entrada y la salida es más fluida y dinámica. Los usuarios pueden introducir una indicación similar y obtener resultados variados en función de la interpretación del sistema y de la variabilidad inherente a los procesos generativos. Esto puede generar confusión, lo que lleva a los usuarios a malinterpretar el funcionamiento del sistema o a desconfiar de él si no se gestionan adecuadamente sus expectativas.

Por lo tanto, una de las responsabilidades fundamentales de los diseñadores de IA generativa es moldear y ajustar las expectativas de los usuarios. Mediante una comunicación clara y unas interfaces de usuario bien diseñadas, pueden ayudar a los usuarios a formarse modelos mentales realistas sobre cómo funcionan los sistemas generativos. Si los usuarios comprenden que los sistemas de IA generativa están diseñados para ofrecer variabilidad creativa en lugar de resultados deterministas, es más probable que interactúen con el sistema de forma productiva y con confianza.

Un buen proceso de creación de modelos mentales

Este diagrama representa un flujo positivo de interacción del usuario con un sistema de IA generativa, en el que los bucles de retroalimentación refuerzan la comprensión del usuario y la IA generativa se adapta a sus preferencias, generando resultados personalizados.

Crear modelos mentales útiles

Para que los usuarios puedan trabajar de forma eficaz con la IA general, deben desarrollar modelos mentales que no solo sean precisos, sino también útiles a la hora de orientar sus interacciones. La creación de estos modelos suele requerir que el sistema enseñe a los usuarios cómo funciona mediante tutoriales, ejemplos y explicaciones contextuales.

Editor de fotos con IA: edita imágenes con IA en Photoshop - Adobe

Además, las explicaciones que aparecen en forma de información sobre herramientas o en pequeñas guías también pueden resultar eficaces a la hora de dar forma a los modelos mentales. Por ejemplo, la función «Relleno generativo» de Adobe Photoshop ofrece breves explicaciones emergentes que enseñan a los usuarios a aprovechar el aspecto generativo de la herramienta sin perder el control del proceso creativo. Estos pequeños estímulos ayudan a los usuarios a interiorizar cómo funciona la IA, lo que les aporta confianza y claridad a la hora de interactuar con el sistema.

En el ámbito del comercio minorista o del comercio electrónico, modelos mentales similares pueden ayudar a los usuarios a comprender cómo la IA general adapta las descripciones de los productos o las recomendaciones en función de su comportamiento de navegación, mejorando así su experiencia de compra.

El objetivo es ayudar a los usuarios no solo a comprender qué hace el sistema, sino también por qué y cómo genera determinados resultados. Al fomentar una comprensión más profunda, los usuarios pueden crear modelos mentales que se ajusten a las capacidades y limitaciones del sistema, lo que permite interacciones más fluidas y productivas.

Ayudar a la IA a aprender las preferencias del usuario

Del mismo modo que un chef va conociendo cada vez mejor los gustos y preferencias de sus clientes habituales con el paso del tiempo, los sistemas de IA generativa pueden aprender de las interacciones con los usuarios para ofrecer resultados más personalizados. Esta capacidad de adaptación a cada usuario aumenta el valor del sistema y contribuye a fomentar la confianza.

Por ejemplo, plataformas como ChatGPT y MidJourney permiten a los usuarios introducir preferencias adicionales o comentarios a lo largo del tiempo, lo que permite al sistema comprender mejor su estilo, tono o necesidades creativas. Esta forma de aprendizaje adaptativo se aprecia cuando los sistemas plantean a los usuarios preguntas como «¿Prefieres un tono más informal?» o «¿Te gustaría que esta imagen fuera más abstracta?». Al incorporar estas preferencias en futuras interacciones, los sistemas de IA generativa pueden producir resultados que se ajusten mejor a las expectativas del usuario.

Esta capacidad es especialmente importante en entornos creativos o centrados en los contenidos, donde la personalización desempeña un papel clave en la satisfacción del usuario. Cuando la IA generativa es capaz de ajustar sus resultados en función de las preferencias del usuario —al igual que un chef recuerda el plato favorito de un cliente—, el sistema resulta más receptivo y capaz de ofrecer experiencias personalizadas. Con el tiempo, a medida que los usuarios vean que el sistema se adapta a sus necesidades, sus modelos mentales sobre su funcionamiento se volverán más precisos y refinados, lo que contribuirá a una experiencia de usuario más eficaz y agradable.

 

Diseño que inspira confianza y seguridad

Calibrar la confianza

Generar confianza en los sistemas de IA generativa es fundamental para que los usuarios se sientan cómodos al confiar en los resultados que genera el sistema. La confianza, en este contexto, se basa en una combinación de transparencia, fiabilidad y el historial del sistema a la hora de ofrecer resultados que satisfagan las expectativas de los usuarios. Del mismo modo que la carta de un restaurante ofrece información detallada sobre los ingredientes, las opciones vegetarianas y los posibles alérgenos para ayudar a los clientes a tomar decisiones informadas, un sistema de IA generativa debe proporcionar de forma constante resultados precisos, fiables y justos para mantener la confianza de los usuarios.

Por ejemplo, la implementación de estrategias defensivas de UX desempeña un papel importante a la hora de generar confianza. Las herramientas defensivas de UX, como las alertas, las ventanas superpuestas y los formularios, están diseñadas para establecer expectativas realistas y ayudar a los usuarios a sortear posibles errores o imprecisiones. Las alertas pueden proporcionar avisos o explicaciones a lo largo de la interacción, garantizando que los usuarios sean conscientes de cualquier limitación o error. Las ventanas superpuestas pueden informar a los usuarios sobre la IA y gestionar sus expectativas, mientras que los formularios ofrecen una vía de escalación cuando la IA genera resultados inutilizables o inexactos. Estos elementos funcionan conjuntamente para crear un sistema transparente y fácil de usar que fomenta la confianza a través de la transparencia y la responsabilidad.

Justificación de los resultados

Una de las formas más eficaces de generar confianza en los sistemas de IA generativa es ofrecer justificaciones o explicaciones sobre los resultados que generan. Los usuarios tienden a confiar más y a recurrir con mayor frecuencia al contenido generado por la IA si pueden entender por qué se ha obtenido un resultado concreto y ver el razonamiento que hay detrás.

Aportar justificaciones es especialmente importante en ámbitos como el derecho, la sanidad o las finanzas, donde las decisiones tomadas mediante sistemas de IA generativa pueden tener consecuencias significativas. Un buen ejemplo es la IA explicable (XAI), que se centra en garantizar que los sistemas de IA puedan ofrecer explicaciones transparentes de sus decisiones. Por ejemplo, en los servicios financieros, los sistemas de IA utilizados para la evaluación crediticia pueden explicar los factores que han llevado a una decisión crediticia concreta.

De este modo, los usuarios pueden evaluar la imparcialidad y la precisión de las decisiones de la IA, lo que puede reforzar la confianza o dar lugar a medidas correctivas.

IBM Watsonx: una plataforma de inteligencia artificial y datos diseñada para las empresas

Otro buen ejemplo que consigue generar confianza es IBM Watson for Oncology, que ayuda a los médicos ofreciéndoles recomendaciones basadas en la investigación médica y en los datos de los pacientes. La credibilidad de Watson se debe a que se nutre de una amplia base de datos de literatura médica y es capaz de explicar cómo ha llegado a cada recomendación. Esta transparencia genera confianza, ya que los usuarios pueden ver las pruebas en las que se basan las sugerencias de la IA.

Al hacer visible el proceso de razonamiento, los sistemas de IA general pueden pasar de ser «cajas negras» a convertirse en herramientas que los usuarios pueden examinar, perfeccionar y en las que pueden confiar plenamente.

Diagrama de justificación

Introducir fricción para evitar una dependencia excesiva

Aunque la confianza es esencial, la dependencia excesiva de los sistemas de IA puede llevar a los usuarios a aceptar los resultados sin espíritu crítico, lo que conlleva una serie de riesgos. Para mitigar esto, los diseñadores pueden introducir «fricción» en el sistema de IA generativa para animar a los usuarios a detenerse, evaluar y tomar decisiones activas sobre si aceptar o rechazar los resultados de la IA.

Por ejemplo, Google Bard introduce una cierta resistencia al ofrecer varios borradores de la misma respuesta, lo que anima a los usuarios a compararlos y a seleccionar el que mejor se adapte a sus necesidades. Este proceso ralentiza la toma de decisiones y anima a los usuarios a analizar críticamente el contenido, en lugar de aceptar pasivamente la primera respuesta.

Introducción de la fricción en la IA general para fomentar la reflexión del usuario

En el sector minorista, pueden surgir fricciones cuando se ofrecen recomendaciones o descripciones de productos generadas por IA. Por ejemplo, una plataforma de comercio electrónico podría generar varias descripciones personalizadas de productos basadas en el comportamiento y las preferencias del cliente, pero también permitir al minorista revisar o ajustar el contenido antes de su publicación. Este paso adicional ayuda a adaptar el resultado a la voz de la marca o a los detalles específicos del producto, lo que fomenta una reflexión más profunda y evita que los errores lleguen al cliente.

Por ejemplo, Merchandising Studio de Algolia ofrece a los responsables de merchandising una interfaz sin código para crear y personalizar la presentación de los productos. Esta herramienta permite a los minoristas utilizar recomendaciones basadas en IA, al tiempo que revisan y ajustan dichas recomendaciones en tiempo real. Al añadir un paso de supervisión humana antes de que el contenido se publique, Merchandising Studio de Algolia ayuda a los minoristas a adaptar los resultados de la IA a la voz de su marca y a los detalles específicos de cada producto. Este enfoque mantiene la integridad de la marca y fomenta una interacción más reflexiva con el contenido, lo que ayuda a evitar que posibles errores lleguen a los clientes finales.

Del mismo modo, las recomendaciones basadas en IA de Algolia incorporan un elemento de interacción al introducir la posibilidad de refinar las recomendaciones mediante reglas o filtros, cada uno de los cuales puede ajustarse para adaptarse a los datos sobre el comportamiento de los clientes. Los minoristas pueden experimentar con estos modelos de recomendación, probando cuál tiene mejor acogida entre su público. Esto introduce un nivel de intervención humana en el que los minoristas pueden elegir o refinar estratégicamente las recomendaciones, enriqueciendo la experiencia de compra y haciendo que las sugerencias impulsadas por la IA sean relevantes y adecuadas al contexto.

Otro ejemplo es ChatGPT, que permite a los usuarios volver a generar respuestas a la misma pregunta. Esta función ayuda a los usuarios a comparar diferentes versiones de una respuesta, lo que añade un elemento de fricción que fomenta una reflexión más profunda sobre la calidad del resultado. En diseño, esto se conoce como «función de forzamiento cognitivo», en la que el sistema anima a los usuarios a interactuar de forma más crítica con el contenido.

En entornos más regulados o sensibles, como el financiero o el jurídico, la introducción de «fricción» podría implicar exigir una supervisión humana antes de que los resultados de la IA generativa se apliquen en decisiones críticas. Por ejemplo, en las herramientas de investigación jurídica asistidas por IA, se podría pedir a los usuarios que verifiquen las citas o contrasten las fuentes antes de presentar un documento jurídico.

Definición del papel de la IA general

A la hora de diseñar sistemas de IA generativa, es fundamental definir el papel que desempeña la IA en el flujo de trabajo del usuario. La IA generativa puede actuar como herramienta, colaborador o incluso asistente, pero tener claro cuál es su función ayuda a los usuarios a establecer expectativas sobre cómo utilizar el sistema y qué pueden esperar de él.

Por ejemplo, GitHub Copilot se posiciona como un «programador en pareja», un papel que sugiere la colaboración entre el usuario y la IA. No pretende sustituir al desarrollador, sino que le ayuda aportando sugerencias y ofreciendo fragmentos de código. Este papel colaborativo ayuda a los usuarios a ver el sistema como una herramienta de apoyo en lugar de como un sustituto,
Al definir claramente el papel de la IA de última generación, los diseñadores pueden ayudar a los usuarios a formarse modelos mentales precisos, garantizando que el sistema se utilice según lo previsto, ya sea como asistente creativo, como herramienta para automatizar tareas o como socio en procesos complejos de toma de decisiones.

En resumen, diseñar para generar confianza y fiabilidad en los sistemas de IA generativa implica ajustar las expectativas de los usuarios, ofrecer justificaciones transparentes, introducir obstáculos para evitar una dependencia excesiva y definir claramente el papel que desempeñará la IA en los flujos de trabajo de los usuarios. Cada uno de estos elementos contribuye a un enfoque equilibrado y centrado en el usuario que posiciona a la IA como una herramienta fiable, pero con la que hay que interactuar de forma crítica.

 

Diseño para la variabilidad generativa

Aprovechar las múltiples salidas

Uno de los puntos fuertes de los sistemas de IA generativa es su capacidad para generar múltiples resultados a partir de una única entrada. Esta variabilidad ofrece a los usuarios una amplia gama de opciones, de forma muy similar a como un chef podría preparar varias variaciones de un plato utilizando los mismos ingredientes básicos. De este modo, el usuario puede seleccionar la versión que mejor se adapte a sus necesidades o preferencias, lo que le permite desempeñar un papel activo en el proceso creativo.

Por ejemplo, herramientas como MidJourney y DreamStudio permiten a los usuarios generar múltiples variaciones de una imagen a partir de una única indicación de texto. El sistema ofrece varias imágenes diferentes basadas en la misma entrada, lo que da al usuario la flexibilidad de elegir la que mejor se ajuste a su visión.

En el comercio minorista o el comercio electrónico, este enfoque puede aplicarse a las recomendaciones personalizadas de productos o a la creación de contenidos dinámicos. Por ejemplo, un sistema de inteligencia artificial puede generar varias variaciones de la descripción de un producto o de una oferta promocional en función del comportamiento de navegación del usuario. A continuación, los minoristas pueden revisar las opciones y seleccionar la versión que mejor se adapte a su estrategia de marketing o que resulte más atractiva para su público objetivo. Esta flexibilidad permite a los minoristas adaptar rápidamente los contenidos a los diferentes segmentos de clientes, mejorando la personalización y manteniendo al mismo tiempo la coherencia de la marca.

Selección y anotación de resultados

En un entorno de IA generativa que produce múltiples variaciones de contenido, la curación se convierte en una parte esencial del proceso. Los usuarios deben poder organizar, filtrar y anotar los resultados para gestionar y seleccionar aquellos que mejor se adapten a sus necesidades. Las herramientas de curación son fundamentales para garantizar que los usuarios puedan gestionar los grandes volúmenes de datos o contenido que pueden generar los sistemas de IA generativa.

Por ejemplo, DALL-E permite a los usuarios guardar sus resultados favoritos en colecciones, lo que ofrece una forma sencilla de organizar el contenido generado. Esto resulta fundamental cuando se trabaja con resultados creativos, en los que los usuarios pueden querer comparar varias variaciones de imágenes o textos antes de tomar una decisión definitiva.

Destacar las diferencias entre los resultados

Los sistemas de IA generativa tienen la capacidad única de producir múltiples resultados a partir de una única entrada, lo que introduce un grado de variabilidad que puede mejorar la participación de los usuarios y la toma de decisiones. Aprovechar esta variabilidad generativa implica reconocer el valor de ofrecer opciones diversas, al tiempo que se proporciona a los usuarios las herramientas necesarias para gestionar estas opciones de forma eficaz. Cuando se presentan varios resultados a los usuarios, es fundamental dejar claras las diferencias. Esta claridad permite a los usuarios comparar las opciones y seleccionar la que mejor se adapte a sus necesidades.

En ámbitos como el diseño, la creación de contenidos o la programación, las sutiles diferencias entre los resultados pueden tener un significado importante. Por ejemplo, Weisz et al. desarrollaron una interfaz de traducción de código que resalta las diferencias entre varias traducciones de un fragmento de código, utilizando anotaciones codificadas por colores para mostrar a los usuarios dónde se encuentran las variaciones. Esto ayuda a los usuarios a comprender no solo que existen diferentes resultados, sino también por qué son diferentes y cómo pueden tomar una decisión más informada.

Del mismo modo, en los ámbitos creativos, un sistema de IA podría generar varias maquetas de diseño a partir de un único concepto. La presentación de estas variaciones una al lado de la otra, con los elementos distintivos resaltados, permite a los diseñadores evaluar qué versión se ajusta mejor a su visión. Al fomentar este tipo de exploración, los sistemas de IA generativa pueden facilitar la obtención de resultados más innovadores.

Volviendo brevemente a la analogía del chef, este podría explicar las diferencias de sabor o textura entre dos variantes de un plato, ayudando al comensal a decidir cuál elegir en función de sus preferencias personales. Del mismo modo, los sistemas de IA general deberían proporcionar a los usuarios herramientas para comprender las diferencias entre los resultados, permitiéndoles tomar decisiones más informadas y meditadas.

Aceptar la variabilidad generativa transforma la experiencia del usuario, pasando de un consumo pasivo a una participación activa. A través de herramientas de selección y anotación, los sistemas de IA permiten a los usuarios interactuar de forma más significativa con los contenidos en diversos sectores. Al destacar las diferencias entre los resultados y aceptar la variabilidad generativa, los sistemas de IA generativa se vuelven más versátiles y centrados en el usuario, lo que, en última instancia, ayuda a los usuarios a tomar las decisiones que mejor se adaptan a sus necesidades.

 

Diseño para la cocreación

Ayudar a los usuarios a orientar la IA

Uno de los aspectos más potentes de la IA generativa es su capacidad para trabajar en colaboración con los usuarios con el fin de crear resultados personalizados. La cocreación, en la que el usuario y la IA colaboran para dar forma al resultado final, es un principio de diseño clave que da lugar a resultados más significativos y personalizados.

Por ejemplo, la función «Relleno generativo» de Adobe Photoshop permite a los usuarios guiar a la IA seleccionando áreas específicas de una imagen para mejorarlas. Los usuarios aportan sugerencias, indicando a la IA que genere nuevos elementos dentro del área seleccionada, y el sistema ofrece múltiples iteraciones basadas en esas indicaciones. Este proceso colaborativo garantiza que el usuario mantenga el control, mientras que la IA desempeña un papel de apoyo para potenciar la creatividad.

En el sector minorista, la cocreación también puede mejorar la experiencia del cliente. Por ejemplo, las herramientas de diseño basadas en la inteligencia artificial pueden permitir a los usuarios crear diseños de productos personalizados —como ropa a medida, accesorios o decoración del hogar— colaborando con la IA. Los clientes pueden orientar al sistema introduciendo sus preferencias, y la IA puede generar múltiples opciones de diseño. A continuación, el usuario puede seleccionar, modificar o perfeccionar el producto final, lo que permite una experiencia de compra más interactiva y atractiva. Esta colaboración entre el usuario y la IA no solo potencia la creatividad, sino que también añade un nivel de personalización a la oferta de productos.

Establecer controles adecuados

Ofrecer a los usuarios un control significativo sobre el proceso generativo es esencial para que la cocreación sea un éxito. Al permitir que los usuarios ajusten parámetros —como el número de variaciones, el nivel de detalle o el tono del resultado—, los diseñadores pueden garantizar que la IA responda directamente a las necesidades y preferencias del usuario.

Por ejemplo, MidJourney permite a los usuarios ajustar el número de imágenes generadas, el nivel de creatividad y otros parámetros, lo que les ofrece la flexibilidad necesaria para adaptar el proceso de generación a sus necesidades.

Jasper | Copiloto de IA para equipos de marketing empresarial

Del mismo modo,Jasper AI ofrece a los creadores de contenido herramientas para ajustar el tono, la extensión y el estilo del texto generado, lo que les permite crear contenido que se adapte a sus necesidades específicas.

Al ofrecer a los usuarios la posibilidad de ajustar estos elementos, los diseñadores pueden crear una experiencia más dinámica e interactiva. Cuando los usuarios pueden controlar los parámetros de salida, se sienten más implicados en el proceso, ya que influyen directamente en los resultados en función de sus necesidades.

La coedición como proceso colaborativo

La coedición es otro aspecto clave de la cocreación, en la que tanto el usuario como la IA pueden perfeccionar de forma iterativa el resultado. Esto va más allá de la simple orientación de la IA; implica una interacción continua de ida y vuelta, en la que el usuario edita activamente el resultado de la IA y el sistema responde perfeccionando sus sugerencias.

Perfeccionamiento colaborativo entre el usuario y la IA

Por ejemplo, en las guías de compra de comercio electrónico, la IA puede ayudar a los usuarios sugiriéndoles recomendaciones de productos personalizadas basadas en su comportamiento de navegación o en sus preferencias. A continuación, el usuario puede modificar estas recomendaciones —por ejemplo, ajustando el rango de precios, las marcas preferidas o los estilos— y la IA responde perfeccionando sus sugerencias para que se adapten mejor a las preferencias actualizadas del usuario. 

Del mismo modo, en herramientas de diseño como Figma, que están empezando a integrar la inteligencia artificial, los usuarios pueden esbozar o colocar elementos, y la IA puede sugerir mejoras o diseños alternativos. Los usuarios pueden aceptar, rechazar o modificar estas sugerencias, lo que permite un proceso creativo colaborativo en el que se valoran tanto las aportaciones humanas como las de la IA.

Este proceso imita la cocreación que tiene lugar en un estudio creativo, donde dos artistas o diseñadores perfeccionan mutuamente su trabajo para obtener el resultado final, y en el que la IA actúa como un asistente competente que realiza ajustes basándose en los comentarios de los humanos.

 

Diseño para la imperfección

Cómo gestionar resultados imperfectos

La IA generativa, por su propia naturaleza, está abocada a producir resultados que no siempre son perfectos. Estas imperfecciones pueden ir desde pequeñas imprecisiones hasta resultados que resultan totalmente inservibles para la tarea prevista.

Al igual que un chef puede experimentar con nuevos platos que no siempre dan en el clavo, los modelos de IA a veces generan contenidos que no cumplen las expectativas de los usuarios. Es fundamental que los usuarios reconozcan que la imperfección es una parte inherente del proceso generativo, y que los sistemas deben diseñarse para ayudarles a gestionar estas imperfecciones de forma productiva.

Por ejemplo, MidJourney a veces genera imágenes que no se ajustan del todo a las expectativas del usuario. En esos casos, los usuarios tienen la opción de volver a generar el resultado o ajustar sus instrucciones de entrada para obtener resultados más satisfactorios.

Al reconocer que no todos los resultados generados por la IA serán perfectos a la primera, los diseñadores pueden dotar a los usuarios de herramientas para gestionar y perfeccionar dichos resultados. La imperfección no es necesariamente un fracaso; más bien, puede ser una oportunidad para que los usuarios interactúen con el sistema de forma más activa, perfeccionando y mejorando los resultados mediante ajustes iterativos. Por ejemplo, herramientas como DALL-E y MidJourney permiten a los usuarios ajustar las indicaciones, volver a generar imágenes o perfeccionar aspectos específicos del resultado, lo que les permite moldear progresivamente el resultado para que se ajuste mejor a sus expectativas. Este proceso iterativo anima a los usuarios a adoptar un papel activo, convirtiendo la experiencia generativa en una experiencia colaborativa en la que cada ajuste acerca el resultado a la visión del usuario.

Hacer visible la incertidumbre

En muchos casos, los resultados generados por la IA pueden contener elementos de incertidumbre, y es importante que el sistema haga visibles estas incertidumbres a los usuarios. Al poner de manifiesto posibles áreas de inexactitud o ambigüedad, los sistemas de IA generativa pueden ayudar a los usuarios a tomar decisiones informadas sobre si confiar en el resultado o modificarlo. Esta transparencia ayuda a establecer expectativas realistas para los usuarios, lo que les permite abordar el resultado con un nivel adecuado de escepticismo. Por ejemplo, la función «Relleno generativo» de Adobe Photoshop resalta las posibles áreas de incertidumbre marcando aquellas partes de la imagen que pueden no encajar perfectamente con el contexto circundante, lo que anima a los usuarios a revisar y perfeccionar los resultados.

Para hacer visible la incertidumbre, se pueden señalar secciones concretas del texto o imágenes que sean menos fiables, u ofrecer índices de confianza que indiquen el grado de certeza del modelo respecto a su resultado. Estas funciones proporcionan a los usuarios las herramientas necesarias para evaluar de forma crítica el resultado y tomar las medidas adecuadas si fuera necesario.

Proponer formas de mejorar los resultados

Una vez que los usuarios detectan imperfecciones o imprecisiones en el contenido generado por la IA, es fundamental que el sistema ofrezca formas sencillas e intuitivas de mejorar esos resultados. El perfeccionamiento de los resultados de la IA debe ser un proceso colaborativo, en el que el usuario pueda intervenir, realizar ajustes y orientar a la IA hacia resultados más precisos o creativos. 

Herramientas interactivas para perfeccionar los resultados de la IA generativa

Por ejemplo, DreamStudio ofrece a los usuarios la posibilidad de regenerar partes de una imagen o ampliarla generando nuevas secciones (lo que se conoce como «inpainting» y «outpainting»). Esto permite a los usuarios mejorar el resultado generado sin tener que empezar desde cero. De este modo, la IA generativa pasa de ser una herramienta estática que se limita a producir contenido a convertirse en un sistema interactivo que colabora con el usuario para alcanzar el mejor resultado posible.

Mecanismos de retroalimentación

Para garantizar la mejora continua de los sistemas de IA generativa, es importante implementar mecanismos de retroalimentación que permitan a los usuarios informar de problemas o aportar sugerencias para mejorar los resultados. Los ciclos de retroalimentación ayudan al sistema a aprender de las interacciones con los usuarios, lo que, en última instancia, hace que los resultados futuros sean más precisos y se ajusten mejor a las expectativas de los usuarios.

Por ejemplo, algunos modelos LLM permiten a los usuarios valorar las respuestas con un «me gusta» o un «no me gusta», lo que proporciona una retroalimentación instantánea que ayuda a los desarrolladores a ajustar el modelo. Además, los usuarios pueden dejar comentarios detallados, explicando por qué el resultado fue bueno o problemático, lo que ofrece una visión más profunda de cómo se puede mejorar el modelo.

En sistemas más avanzados, los mecanismos de retroalimentación podrían incluir la retroalimentación colaborativa, en la que los usuarios no solo valoran el resultado, sino que también sugieren cambios concretos que el sistema puede incorporar en futuras iteraciones. 

Al gestionar los resultados imperfectos, hacer visibles las incertidumbres, ofrecer formas de mejorar los resultados e implementar mecanismos de retroalimentación, los sistemas de IA general pueden llegar a ser más transparentes, interactivos y centrados en el usuario. Estas características garantizan que, incluso cuando los resultados no sean perfectos, los usuarios dispongan de las herramientas y los controles necesarios para perfeccionarlos, comprenderlos y mejorarlos con el tiempo.

 

Aplicación de la IA general al comercio electrónico: el caso práctico de la guía de compras

La IA generativa está revolucionando el sector del comercio electrónico al introducir formas innovadoras de atraer a los compradores y simplificar sus decisiones de compra. Una aplicación significativa de esta tecnología es la creación de guías de compra generadas por IA. Estas guías actúan como asistentes inteligentes, proporcionando a los compradores información valiosa y recomendaciones basadas en sus intereses y necesidades . Al aprovechar la IA generativa, los minoristas pueden ofrecer contenidos personalizados que mejoran la experiencia de compra e impulsan las conversiones.

Transformar la experiencia de compra con guías generadas por IA

Las plataformas tradicionales de comercio electrónico suelen basarse en listados de productos estáticos y descripciones genéricas que pueden no responder a las preferencias específicas de cada comprador. Las guías de compra generadas por IA cambian esta dinámica al crear automáticamente artículos informativos que conectan con cada usuario. Estas guías ayudan a los compradores a comprender las categorías de productos, comparar opciones y tomar decisiones bien fundamentadas.

Imagina a un cliente que está buscando sistemas de cine en casa. En lugar de tener que revisar innumerables páginas de productos, se le ofrece una guía generada por IA que explica las características esenciales, compara los mejores modelos y ofrece información sobre aspectos importantes a tener en cuenta. Este enfoque personalizado simplifica la experiencia de compra y genera confianza en el proceso de compra.

Comprender la intención del usuario para generar contenido relevante

Un aspecto clave de las guías de compra generadas por IA eficaces es la capacidad de comprender e interpretar la intención del usuario. Las consultas de búsqueda son algo más que simples palabras; reflejan los deseos, las preferencias y las necesidades del comprador. Al analizar estas consultas mediante algoritmos avanzados de aprendizaje automático, la IA generativa puede producir contenidos que se ajusten estrechamente a lo que busca el comprador.

Por ejemplo, si un usuario busca «las mejores barras de sonido para espacios reducidos», la IA puede generar una guía centrada en barras de sonido compactas con características adecuadas para espacios limitados. Este profundo conocimiento de la intención del usuario permite a la IA ofrecer contenido útil que responda a los intereses específicos de cada comprador.

Tipos de guías de compra generadas por IA

Los minoristas podrían plantearse crear tres tipos de guías de compra con IA generativa:

1. Guías de compra: Estas guías informan a los compradores sobre temas específicos o características de los productos. Ofrecen información exhaustiva sobre temas como los sistemas de cine en casa, lo que ayuda a los clientes a comprender los distintos componentes y aspectos que hay que tener en cuenta.

2. Guías por categorías: Centradas en una categoría específica de productos, estas guías ayudan a los compradores a explorar las diferentes opciones dentro de esa categoría. Por ejemplo, una guía sobre barras de sonido podría abordar las características que hay que tener en cuenta, como la calidad del sonido, las opciones de conectividad y la compatibilidad con los dispositivos que ya se tienen.

3. Guías comparativas: Estas guías simplifican el proceso de compra al comparar varios productos en paralelo. Presentan las ventajas y los inconvenientes de cada opción, lo que ayuda a los compradores a sopesar sus opciones de forma eficaz. Por ejemplo, la comparación de barras de sonido de diferentes marcas, como Sony, Sonos y Samsung.

Al ofrecer estas guías tan variadas, los comercios pueden adaptarse a las diferentes etapas del proceso de compra, tanto si el cliente acaba de empezar a buscar información como si ya está listo para comparar productos concretos.

Mejorar la toma de decisiones y fomentar la confianza

Las guías de compra personalizadas ayudan a los clientes al proporcionarles información detallada y relevante para sus necesidades. Esto no solo facilita la toma de decisiones, sino que también refuerza el vínculo entre el comprador y el comercio. Cuando los clientes se sienten comprendidos y apoyados, son más propensos a realizar una compra y a volver en el futuro.

El contenido generado por IA ofrece información valiosa, como opiniones de expertos, reseñas de usuarios y especificaciones detalladas de los productos. Presentar esta información de una forma accesible y atractiva mejora la satisfacción del cliente y fomenta su fidelidad.

Integración perfecta y facilidad de implementación

La integración de guías de compra generadas por IA en una plataforma de comercio electrónico se simplifica gracias a unas API fáciles de usar para los desarrolladores y a unas interfaces de usuario intuitivas. Los minoristas pueden implementar estas guías sin grandes dificultades técnicas, lo que les permite centrarse en ofrecer una experiencia de usuario excepcional.

Esta infraestructura flexible permite una integración perfecta, lo que hace que las guías de compra se adapten de forma natural a las tiendas online existentes. Esto significa que los minoristas pueden mejorar sus plataformas sin interrumpir las operaciones actuales ni comprometer el rendimiento.

Diseño centrado en la privacidad y protección de datos

Dada la creciente preocupación por la privacidad de los datos, es fundamental que las soluciones de IA gestionen la información de los clientes de forma responsable. Las guías de compra generadas por IA se basan en un diseño que da prioridad a la privacidad, lo que significa que no almacenan datos personales del usuario final. Este enfoque protege la información de los consumidores y fomenta la confianza entre los compradores y los comercios.

Al dar prioridad a la protección de datos, los comercios pueden cumplir con la normativa y garantizar a los clientes que se respeta su privacidad.

Ventajas de las guías de compra generadas por IA

La implementación de guías de compra generadas por IA ofrece numerosas ventajas:

• Personalización y relevancia: al aprovechar el potencial de la IA generativa, los minoristas ofrecen contenidos personalizados que conectan con los compradores, lo que impulsa las tasas de interacción y conversión
• Mejora en la toma de decisiones: los compradores tienen acceso a guías exhaustivas que responden a sus necesidades específicas, ya sea para explorar una categoría general, comparar varios productos o centrarse en características concretas.
• Facilidad de implementación: gracias a unas herramientas fáciles de usar para los desarrolladores y a una documentación exhaustiva, la integración de guías de compra en una plataforma de comercio electrónico resulta sencilla, lo que permite a los minoristas centrarse en mejorar la experiencia de los usuarios.
• Mayor satisfacción del cliente: el contenido personalizado e informativo mejora la experiencia de compra, lo que se traduce en una mayor satisfacción y fidelidad de los clientes.

Aplicación práctica: herramientas adaptadas a los desarrolladores

Las guías de compra generadas por IA ofrecen API fáciles de usar para crear artículos seleccionados a partir de catálogos de productos. Gracias a su interfaz intuitiva y a las opciones de implementación flexibles, los desarrolladores pueden integrar estas guías en sus aplicaciones con facilidad.

Al ofrecer recursos y apoyo integrales, los minoristas permiten que los equipos técnicos se centren en generar valor tanto para la empresa como para el cliente.

Dando forma al futuro de las experiencias de compra

La IA generativa está transformando la forma en que los compradores interactúan con las tiendas online, al ofrecerles contenidos personalizados e informativos que se adaptan a sus necesidades. Las guías de compra generadas por IA son un claro ejemplo de esta transformación, ya que actúan como asistentes inteligentes que mejoran la interacción y fomentan las conversiones.

Al centrarse en comprender la intención del usuario y ofrecer contenido útil, los minoristas pueden proporcionar experiencias excepcionales que conecten con los compradores, lo que contribuye al crecimiento del negocio. En una era digital en la que la personalización es clave, la adopción de tecnologías de IA generativa, como las guías de compra, resulta esencial para los minoristas que deseen mantener su competitividad y satisfacer las demandas de los consumidores actuales.

 

Conclusión

La IA generativa está transformando rápidamente los sectores al redefinir la forma en que la tecnología interactúa con las necesidades y los deseos humanos. Este informe técnico ha analizado los principios de diseño esenciales para crear sistemas de IA generativa responsables y adaptables, haciendo hincapié en la importancia de comprender la intención del usuario, generar confianza y fomentar la colaboración entre las personas y la IA. Al abordar retos como los sesgos, la desinformación y el empoderamiento del usuario, podemos desarrollar aplicaciones de IA que no solo sean potentes, sino también éticas y centradas en el usuario.

La aplicación de la IA generativa en el comercio electrónico, especialmente a través de guías de compra generadas por IA, ilustra cómo esta tecnología puede revolucionar la experiencia de compra. Estas guías actúan como asistentes inteligentes y ofrecen contenidos personalizados que simplifican la toma de decisiones y mejoran la satisfacción del cliente. Al aprovechar algoritmos avanzados para interpretar la intención del usuario, los minoristas pueden proporcionar a los compradores información relevante que se ajuste a sus preferencias y necesidades.

De cara al futuro, el lanzamiento de nuevas herramientas basadas en la inteligencia artificial, como la próxima «AI Shopper’s Guide» de Algolia, promete impulsar aún más el sector del comercio electrónico. Esta innovadora solución está diseñada para permitir a los minoristas generar automáticamente contenidos de compra informativos y personalizados, tendiendo un puente entre la intención del usuario y las decisiones de compra fundamentadas. Mediante la integración de este tipo de herramientas, las empresas pueden mejorar la interacción con los clientes, impulsar las conversiones y forjar relaciones más sólidas con ellos.

El sector avanza hacia un entorno digital más personalizado e interactivo, en el que la inteligencia artificial desempeña un papel crucial a la hora de configurar las experiencias de los usuarios. Se prevé que los próximos avances incluyan técnicas de personalización más sofisticadas, una integración fluida de la inteligencia artificial en todas las plataformas y medidas mejoradas de protección de datos. La atención se centrará en crear sistemas de inteligencia artificial que no solo sean inteligentes, sino también transparentes y acordes con los valores humanos.

En conclusión, el diseño y la implementación responsables de los sistemas de IA generativa encierran un inmenso potencial para transformar diversos sectores, entre ellos el comercio electrónico, la sanidad, la educación y muchos más. Al adherirse a los principios esbozados en este informe técnico y aprovechar los avances que se vislumbran en el horizonte, las empresas y los líderes tecnológicos pueden aprovechar el poder de la IA para crear soluciones significativas, éticas y adaptativas que satisfagan las necesidades cambiantes de los usuarios.