Algunas ideas a las que
sigo volviendo.

Hay una versión de la empatía que es emocional — te pones en el lugar de alguien y sientes lo que podría sentir. Tiene su sitio. Pero en el trabajo de diseño, especialmente dentro de grandes organizaciones, lo que resulta más útil es un tipo más frío y deliberado: la capacidad de mapear cómo otra persona entiende la situación, qué está optimizando, qué le preocupa y qué necesita que sea verdad para poder avanzar.

A esto lo llamo empatía posicional. No se trata de compasión — se trata de precisión. Y resulta ser una de las habilidades más útiles en la práctica del diseño empresarial, porque la mayoría de los problemas difíciles en estos entornos no son visuales ni técnicos. Son políticos y cognitivos. Las personas no están alineadas. No comparten el mismo modelo mental del problema. Tienen incentivos que no son visibles en el briefing.

Si puedes mapear ese paisaje con precisión — sin perder tu propia perspectiva — puedes encontrar el camino a través de él. No ganando el argumento, sino entendiendo el terreno lo suficientemente bien como para dejar de discutir sobre las cosas equivocadas.

El proceso de diseño estándar pregunta: ¿qué necesitan los usuarios? Es una buena pregunta. Pero la pregunta desde la economía conductual es diferente: dado cómo funciona realmente la cognición humana — con sus atajos, sesgos y dependencia del contexto — ¿qué hace probable que la gente haga esta interfaz?

No son la misma pregunta.

Pasé años trabajando en optimización de conversión en plataformas de banca, seguros, fidelización y e-commerce. Lo que ese trabajo te enseña — si estás prestando atención — es que las pequeñas decisiones de diseño tienen efectos desproporcionados en el comportamiento. El orden de la información en una página. El encuadre de una elección como ganancia o pérdida. La presencia o ausencia de un valor por defecto. No son detalles. Son el mecanismo por el cual el diseño funciona o no.

Esto no significa manipular a las personas. Significa entender cómo se toman realmente las decisiones — bajo presión de tiempo, con información incompleta, moldeadas por el contexto — y diseñar para esa realidad en lugar de una versión idealizada de ella.

Cuando me uní al equipo de IKEA Home Services, no había ningún sistema de trabajo compartido. Los archivos existían en todas partes. La jerarquía del trabajo — qué iba en Figma, qué en Confluence, qué en Jira — era poco clara y se aplicaba de forma inconsistente. El proceso que existía dependía de personas concretas para mantenerlo en la memoria y transmitirlo informalmente. Cuando esas personas no estaban disponibles, el sistema se derrumbaba.

Mi enfoque fue empezar con principios en lugar de herramientas. Mapeé el trabajo real que hacía el equipo: los tipos de tareas, sus interdependencias, las decisiones que se perdían continuamente. A partir de ahí, derivé un conjunto de reglas estructurales — qué va dónde, cuándo y por qué — que podían documentarse, enseñarse y modificarse sin que yo tuviera que estar presente.

Se adoptó de forma imperfecta. La estructura se mantuvo. He llegado a pensar que la adopción imperfecta de un sistema bien estructurado es en realidad la condición de éxito — no el cumplimiento perfecto. El objetivo era un proceso que pudiera sobrevivir a mi marcha, sobrevivir a nuevos miembros del equipo y sobrevivir a los momentos en los que nadie tiene tiempo de mantenerlo con cuidado. Lo hace.

Lo que he estado explorando durante el último año es qué ocurre cuando introduces la IA en un proceso de diseño que ya era complejo — concretamente, la metodología Shape Up que usa mi equipo en IKEA. Shape Up pide a las personas que mantengan mucho contexto, tomen decisiones de juicio con información incompleta y avancen rápidamente en decisiones de diseño que tienen consecuencias importantes más adelante.

La IA puede procesar y producir información más rápido de lo que cualquier equipo puede absorberla. Lo que significa que el cuello de botella cambia. Ya no se trata de generar opciones — se trata de darles sentido. De tener suficiente contexto compartido para evaluar lo que la IA ha producido y decidir qué hacer con ello.

El problema de diseño interesante aquí es humano, no técnico. ¿Cómo estructuras un proceso asistido por IA para que el resultado sea realmente útil — no solo voluminoso? ¿Cómo incorporas los puntos de control correctos, el nivel adecuado de juicio humano en los momentos oportunos? ¿Cómo evitas que una sala llena de personas se ahogue en texto generado por IA y pierda el hilo de la decisión real?

Esos son problemas de facilitación. Y la facilitación, resulta, es un problema de diseño.