Jean-Claude Van Damme aparece en primer plano, con los ojos cerrados y una tranquilidad envidiable. Su voz en off habla de los altibajos de su vida, de los caminos difíciles y de cómo todo eso le ha convertido en quien es.

La cámara se aleja y empezamos a entender dónde está. Tiene un pie apoyado en el retrovisor de un camión y el otro en el de otro. Los dos circulan marcha atrás.

Entonces los camiones empiezan a separarse. Suena Enya y Van Damme va abriendo las piernas hasta quedarse completamente estirado entre los dos vehículos.

Y tú, que seguramente no habías pensado en comprarte un camión en tu vida, no puedes dejar de mirar.

La idea

¿Cómo anuncias el sistema de dirección de un camión a alguien al que no le interesa lo más mínimo?

Volvo lo resolvió poniendo a Van Damme entre dos de ellos y dejando que hiciera una de sus aperturas de piernas. La diferencia es que aquí los apoyos pesan unas cuantas toneladas y se están moviendo.

Y eso es justo lo que Volvo quería demostrar: que la precisión y la estabilidad de Volvo Dynamic Steering aguantan algo así. Cuanto más se separan los vehículos, más pendiente estás de que todo siga exactamente donde tiene que estar.

Me gusta porque aquí el producto forma parte de la acrobacia. Si los camiones no mantienen la trayectoria, se acabó la tranquilidad de Van Damme. Y la nuestra.

Lo potente

Para mí, lo que hace que funcione tan bien es la calma.

Con semejante escena podrían haber montado un anuncio lleno de cortes rápidos, música de acción y conductores apretando los dientes. Pero aquí todo sucede despacio. La cámara se aleja, los camiones continúan su recorrido y Van Damme mantiene esa cara de estar esperando a que le traigan un café.

Y entonces está Enya… que delicia de canción.

Only Time le da una solemnidad casi absurda a lo que estamos viendo. Hay algo entre majestuoso y cómico en ese hombre completamente serio, abriéndose de piernas entre dos camiones mientras suena una música tan delicada.

El anuncio te deja ver lo que está pasando y te hace pensar: «¿Pero cuánto más van a separar esos camiones?». No necesita añadir más elementos a la escena. Basta con que los camiones se separen un poco más para que no puedas apartar la mirada.

Y otro poco.

Lo chulo

Hay un detalle del planteamiento que me parece muy bueno: Van Damme es la elección perfecta para la idea. La apertura de piernas forma parte de su personaje y de sus películas. Aquí recuperan ese gesto tan suyo y le encuentran un contexto surrealista que parece hecho a medida.

Además, el spot se rodó en España, en un aeródromo cerrado al tráfico. Andreas Nilsson, su director, explicaba que buscaban una pieza más poética que las anteriores demostraciones de Volvo: algo parecido a una danza lenta y cuidadosamente coreografiada.

Y esa intención se nota. Por muy llamativa que sea la acrobacia, lo que se te queda es una imagen limpia y fácil de recordar.

Lo que más me gusta es que consigue interesarte por algo en lo que nunca te habías fijado. En poco más de un minuto estás pendiente de la dirección de dos camiones como si te fuera la vida en ello.

A Van Damme le va, por lo menos, la flexibilidad.

Terry Crews aparece sentado, rodeado de instrumentos y con varios electrodos conectados a su cuerpo. Hasta aquí, todo perfectamente normal. Bueno, todo lo normal que puede ser ver a Terry Crews conectado a una batería.

Entonces empieza a mover los músculos. Contrae un brazo y suena un instrumento. Mueve un pectoral y suena un tambor. Los abdominales activan otros sonidos y, poco a poco, su cuerpo entero acaba convertido en una especie de banda de música humana.

Es ruidoso, absurdo y no tiene ningún sentido. O sea, puro Old Spice.

La idea

Old Spice llevaba tiempo jugando con un tipo de publicidad exagerada, absurda y que no se tomaba nada en serio. Y Terry Crews encajaba de maravilla en ese universo: músculos imposibles, gritos y escenas sin pies ni cabeza.

Muscle Music parte de una idea sencillísima: si tienes a Terry Crews, usa sus músculos como instrumentos musicales.

El spot empieza como una demostración de esa locura. Cada movimiento de su cuerpo activa algo distinto hasta convertirlo en una orquesta de un solo hombre. No hay que entender demasiado. Solo dejarse llevar y ver hasta dónde son capaces de estirar la broma. Y bastante lejos la llevan.

Lo potente

Para mí, lo que funciona es que abraza lo ridículo de la idea. Cuanto más exagerado se vuelve, mejor encaja.

Terry Crews grita, flexiona músculos, dispara sonidos y parece estar disfrutándolo todavía más que quien lo está viendo. El ritmo no te deja tiempo para pensar qué demonios está pasando, y eso forma parte de la gracia.

Pero además hay algo que me gusta especialmente: el anuncio no acababa cuando acababa el vídeo.

Cuando terminaba la actuación de Crews, la pieza cambiaba y dejaba de ser simplemente un spot. A partir de ahí podías usar el teclado del ordenador para activar sus músculos y hacer sonar los distintos instrumentos. De repente ya no estabas viendo a Terry Crews tocar música. Ahora lo tocabas tú.

Y en 2012, eso tenía mucha gracia.

Lo chulo

Esta es seguramente mi parte favorita. Muscle Music se creó junto a Vimeo como una experiencia interactiva integrada en el propio reproductor. Después de ver el vídeo podías pulsar teclas para activar los músculos de Crews, montar tu propia composición y compartirla. The One Club lo describió como: «el primer reproductor interactivo integrable que permitía a los usuarios crear composiciones musicales personalizadas utilizando los músculos de Terry Crews«.

Es decir, primero veías el anuncio y después te dejaban jugar con él.

Y hay un detalle que me parece muy curioso: en los créditos de The One Show aparece un UX Designer, Jake Doran. Alguien tuvo que pensar cómo conseguir que el usuario entendiera qué podía hacer y que le apeteciera quedarse jugando.

Y funcionó: en The One Show 2013 se llevó varios premios, entre ellos dos Gold Pencil, uno en Online Films & Video / Music Videos y otro en Non-Broadcast / Online.

Pero más allá de los premios, lo que me gusta es lo sencillo del planteamiento. Podrían haberse quedado con un anuncio divertido de Terry Crews tocando una batería con los pectorales y ya habría funcionado.

En cambio pensaron: ahora que lo han visto, ¿por qué no dejamos que lo prueben ellos?

Y ahí el anuncio se convierte en otra cosa. En un pequeño juguete digital completamente absurdo.

Igual que Terry Crews.

Ahora podemos pedirle a una inteligencia artificial que analice esas mismas grabaciones y nos entregue un listado de problemas en cuestión de minutos. Sobre el papel, parece una mejora importante. Pero antes de confiar demasiado en esos resultados, creo que conviene hacerse una pregunta: ¿la IA entiende realmente lo que le está pasando al usuario o simplemente identifica comportamientos que parecen problemas?

Una investigación publicada recientemente por MeasuringU aporta datos sobre esta cuestión, y los resultados invitan a ser mucho más prudentes de lo que sugieren algunas promesas comerciales.

Cuando la IA analiza una prueba de usabilidad

El 6 de octubre de 2026, MeasuringU publicó una investigación sobre la capacidad de la IA para detectar problemas de usabilidad a partir de grabaciones de sesiones reales. El estudio forma parte de una serie de experimentos en los que comparan los problemas identificados por investigadores UX con los detectados por modelos como ChatGPT y Gemini.

En esta ocasión analizaron la grabación de un usuario que intentaba consultar el precio de un servicio de peluquería canina en una web. Durante el proceso, el participante se encontraba con varias dificultades y al final no conseguía completar correctamente la tarea. Un investigador UX con experiencia revisó la sesión y documentó los problemas observados. Después, los investigadores usaron ChatGPT y Gemini para analizar la misma grabación, con cuatro ejecuciones de cada modelo.

La coincidencia media entre los problemas detectados por ChatGPT y los identificados por el investigador fue del 47%, mientras que Gemini alcanzó el 39%. Además, entre ambos modelos describieron tres problemas que no eran realmente problemas de usabilidad y otros tres acontecimientos que directamente no habían sucedido.

Conviene poner estos resultados en contexto: es un experimento limitado, con una grabación concreta y unos modelos determinados, así que no podemos extrapolarlo a cualquier herramienta ni asumir que la IA falla siempre en esas proporciones. Pero sí demuestra que generar un informe convincente no garantiza que sus conclusiones sean correctas.

Ver lo que hace un usuario no es lo mismo que entenderlo

Hay un detalle del estudio que me llama la atención. Durante la prueba, algunos controles de un formulario tardaban en aparecer. El usuario seleccionaba primero su edad y, cuando finalmente aparecía la opción para indicar el tipo de mascota, al seleccionarla se reiniciaba el valor de edad que ya había introducido. El participante no se daba cuenta de ese cambio y más adelante tenía problemas para continuar.

Este tipo de situaciones es habitual en aplicaciones reales: un campo que pierde su valor, una selección que modifica otra sin avisar o un mensaje de error que aparece demasiado tarde.

Y el problema no está necesariamente en el último lugar donde el usuario se equivoca. Muchas veces el error visible es solo la consecuencia de algo que ocurrió varios pasos antes.

Por eso el análisis UX no se queda en detectar que alguien ha tenido dificultades con un formulario: hay que entender qué las desencadenó, qué esperaba la persona que ocurriera y qué parte de la interfaz hizo que su comportamiento se desviara.

En el estudio, los modelos identificaron varios de los problemas observados por el investigador, pero ninguno detectó algunos aspectos importantes del comportamiento del formulario. También interpretaron mal determinadas acciones. Y eso importa, porque una recomendación basada en un diagnóstico incorrecto puede llevarnos a cambiar algo que no necesitaba cambiarse.

La IA es muy buena encontrando patrones. Otra cosa es interpretarlos

Aun así, creo que la IA puede ayudarnos muchísimo en UX Research con tareas como transcribir entrevistas, clasificar respuestas abiertas o preparar una primera estructura de resultados.

Otro estudio de MeasuringU publicado el 29 de septiembre encontró que un modelo reciente de ChatGPT alcanzaba niveles de coincidencia con investigadores humanos comparables a los que estos obtenían entre sí cuando clasificaban comentarios abiertos. Es un buen resultado, aunque clasificar respuestas en categorías está bastante lejos de interpretar una sesión de usabilidad.

Y esa diferencia me parece fundamental. Una IA puede agrupar cincuenta comentarios sobre problemas de navegación y detectar que varios usuarios mencionan dificultades para encontrar ciertos contenidos. Pero decidir si el problema está en la arquitectura de información, en la jerarquía visual o en las expectativas de los usuarios requiere un análisis más profundo.

Además, los comentarios no siempre explican bien lo que está ocurriendo. Un usuario puede decir que una aplicación es lenta cuando en realidad está perdido en la navegación. Otro puede afirmar que un botón no funciona cuando lo que pasa es que no entiende el resultado de la acción. Lo que las personas dicen, lo que hacen y lo que realmente necesitan no siempre coincide.

Por eso me parece importante distinguir entre automatizar la organización de la información y automatizar su interpretación. Son dos niveles de trabajo muy distintos.

Las herramientas de UX Research también están cambiando

Mientras aparecen investigaciones como esta, las plataformas especializadas siguen incorporando funciones de inteligencia artificial. El 7 de octubre, Userlytics anunció AI Study Designer y Qual Reporting, dos herramientas que permiten generar borradores de estudios a partir de objetivos de investigación y elaborar informes cualitativos con los datos recopilados durante las sesiones.

La propuesta tiene sentido. Preparar un estudio, revisar transcripciones y sintetizar resultados consume mucho tiempo, y si conseguimos reducirlo podremos dedicar más esfuerzo a comprender los problemas y discutir posibles soluciones con el equipo.

Pero también hay un riesgo: cuanto más sencillo sea generar un informe, más fácil será confundir un documento bien presentado con una investigación bien realizada.

Un informe puede tener una estructura impecable y recomendaciones muy razonables. Pero si parte de observaciones incorrectas o interpreta mal el comportamiento de los participantes, todo ese trabajo pierde valor.

Y hay otra cuestión: la calidad de una investigación empieza mucho antes de analizar los resultados. Elegir bien a los participantes, evitar preguntas que condicionen las respuestas y definir qué queremos aprender son decisiones que influyen directamente en lo que descubriremos después.

¿Cómo utilizaría la IA en una investigación UX?

Creo que la mejor manera de aprovechar estas herramientas es usarlas como apoyo durante el proceso, sin delegar automáticamente las conclusiones. Por ejemplo, podemos pedirle a la IA una primera clasificación de observaciones y contrastarla después con las grabaciones originales, o usarla para localizar patrones entre sesiones y proponer hipótesis que luego tendremos que validar.

Yo me fijaría sobre todo en tres cosas. La primera es mantener la trazabilidad: cada problema identificado debería poder relacionarse con una observación concreta o un momento determinado de la grabación. La segunda es separar hechos de interpretaciones: que un usuario pulse tres veces un botón es un hecho; que no entienda cómo funciona es una interpretación.

La tercera es la revisión. Si una herramienta identifica un problema, deberíamos poder comprobarlo antes de incorporarlo al informe, y si propone una solución, entender qué evidencia la respalda. Y en investigaciones con participantes reales hay que cuidar también la confidencialidad de las grabaciones y las condiciones en las que esos datos pueden compartirse con herramientas externas.

En definitiva, cuanto más trabajo automaticemos, más importante será no renunciar al método: necesitamos un proceso que nos permita comprobar que las conclusiones tienen sentido.

Velocidad y criterio

Los investigadores humanos también cometemos errores. Podemos pasar por alto una dificultad, interpretar mal un comportamiento o dar demasiada importancia a un problema aislado. Por eso existen metodologías, criterios de evaluación y formas de contrastar resultados.

La inteligencia artificial puede aportar muchísimo en este proceso: resumir sesiones, detectar patrones y ayudarnos a llegar antes a ciertos hallazgos. Y cuanto mejores sean estas herramientas, más tiempo tendremos para lo que de verdad importa: entender por qué ocurre algo y convertirlo en decisiones de diseño útiles.

Creo que estas herramientas van a cambiar mucho la forma en la que hacemos investigación UX. Seguramente dedicaremos menos tiempo a transcribir y clasificar, y más a revisar evidencias y decidir qué cambios pueden mejorar de verdad la experiencia.

Ahí es donde el investigador y el diseñador ganan todavía más peso. La IA puede ayudarnos a ver más información y a procesarla más rápido, pero las personas somos las que ponemos el contexto y el criterio para entender qué significa lo que estamos viendo.

Y el objetivo de una prueba de usabilidad sigue siendo el mismo: entender qué le está dificultando la experiencia a una persona y encontrar la mejor manera de solucionarlo. Lo demás, el número de problemas o la rapidez del informe, es secundario.

Si conseguimos combinar la capacidad de análisis de la IA con la experiencia y el criterio humano, no estaremos sustituyendo la investigación UX: la haremos más rápida y, con un poco de suerte, mejor.

El anuncio empieza con el primer plano de un hombre que mira fijamente a algún punto, en completo silencio. Todavía no sabemos quién es ni qué espera. Entonces el plano se abre y aparecen la playa, las tablas y el resto de los surfistas.

Esperan la ola adecuada.

Cuando por fin llega, se lanzan al agua. El ritmo empieza a crecer, la ola se levanta y, entre la espuma, aparecen varios caballos blancos galopando junto a ellos. Todo se vuelve enorme, casi mitológico.

Uno de los surfistas consigue mantenerse en pie, domina la ola y llega hasta la orilla.

Qué maravilla, qué potencia visual. Y Guinness apenas necesita aparecer.

La idea

La campaña partía de una frase en la que Guinness llevaba tiempo trabajando: «Good things come to those who wait» (Lo bueno se hace esperar). Le venía de perlas a una cerveza que necesita su tiempo para asentarse antes de estar lista.

El spot traslada esa espera al surf. El protagonista no persigue cualquier ola: espera la adecuada. La que merece la pena. Y cuando por fin aparece, toda esa espera se convierte en fuerza y en recompensa.

Casi no hace falta hablar de cerveza. Guinness consigue ligar su producto a algo mucho más grande: la paciencia necesaria para llegar a ese momento perfecto.

Lo potente

Para mí, lo mejor es cómo construye la tensión. Empieza despacio, con ese rostro concentrado y una voz que marca el tiempo: tick followed by tock, followed by tick… Después entra el ritmo hipnótico de Leftfield y todo empieza a crecer.

La ola, la música y el montaje avanzan juntos hasta que los caballos blancos aparecen entre la espuma. Hacen visible la fuerza del mar de un modo que reconocemos al instante.

La imagen se inspiró en Neptune’s Horses, una ilustración de Walter Crane de 1893. El spot se rodó en Hawái con surfistas locales, una decisión que ayuda a que todo se sienta peligroso y auténtico incluso cuando aparece la parte más fantástica.

Lo chulo

Mi momento favorito es cuando la espuma empieza a convertirse en caballos. Al principio casi dudas de lo que estás viendo, pero enseguida la ola se llena de cuerpos blancos galopando junto al surfista.

Es una de esas ideas visuales que podrían haber quedado ridículas y, sin embargo, aquí funcionan de maravilla. Tiene mucha fuerza y ese punto extraño que hace que sigas acordándote de ella años después.

También me gusta que Guinness aparezca tan poco. El anuncio confía en la historia, en las imágenes y en que el espectador complete la relación con la espera. No intenta explicarlo todo. Y veintisiete años después sigue funcionando.

De hecho, en una votación organizada por Channel 4 y The Sunday Times fue elegido como el mejor anuncio de todos los tiempos. En 2018 volvió a ganar en una votación internacional organizada por The Drum.

Y como una buena pinta, mejor no tener prisa.

Figma acaba de llevar su agente de IA un paso más allá y hay una parte que me ha llamado especialmente la atención: ahora también ayuda a mantener un Design System. Y cualquiera que haya trabajado de verdad con uno sabe que ahí hay mucho trabajo, porque crear una librería de componentes puede ser relativamente sencillo. Lo complicado viene después: mantenerla.

El trabajo que casi nunca se ve

Un Design System empieza normalmente bastante limpio: componentes bien nombrados, variables organizadas y tokens bien utilizados. Y entonces llega el mundo real. Un diseñador crea una variante porque tiene prisa, otro utiliza un color directamente en vez del token correspondiente, aparece un componente nuevo que se parece sospechosamente a otro que ya existía o se modifica una propiedad, pero la documentación continúa explicando el comportamiento anterior.

Nada especialmente grave por separado. El problema aparece cuando multiplicas esas pequeñas excepciones por decenas de diseñadores, cientos de pantallas y varios productos. Ahí empieza lo que podríamos llamar la entropía del Design System, y precisamente ese parece ser uno de los terrenos donde Figma quiere introducir sus nuevos agentes.

Desde el 6 de octubre de 2026, Figma Agent está disponible de forma general y deja atrás su etapa beta. Entre las posibilidades que plantea Figma está utilizar el agente para analizar el sistema, detectar inconsistencias y ayudar a generar documentación.

Figma explica algunas de estas posibilidades con bastante detalle en su artículo How to lighten design system upkeep with the Figma agent, centrado precisamente en tareas de mantenimiento que normalmente acabamos haciendo a mano. Sobre el papel, suena muy bien. A mí lo que me interesa es lo que puede significar para la forma en la que trabajamos, más que el hecho de que una IA pueda cambiar el nombre de cincuenta componentes de golpe.

De diseñar componentes a gobernar el sistema

Siempre he pensado que uno de los errores más habituales cuando se habla de Design Systems es reducirlos a una librería de Figma. Reducirlo a una colección de botones es quedarse con la parte más pequeña. Lo que de verdad lo sostiene es un conjunto de reglas y acuerdos que permiten que diferentes equipos construyan productos de forma coherente.

Por eso una de las tareas más importantes de un equipo de Design System es gobernar el sistema, no solo diseñar componentes: decidir cuándo merece la pena crear uno nuevo, cuándo una excepción tiene sentido o cuándo algo que funcionaba hace dos años necesita replantearse. Ese trabajo requiere mucho contexto.

Y aquí aparece una diferencia importante entre automatización y criterio. Un agente puede detectar que existen tres valores de azul ligeramente diferentes donde debería utilizarse un token, encontrar veinte componentes que no utilizan la versión publicada en la librería o incluso generar una primera documentación explicando propiedades y variantes.

Figma muestra precisamente un ejemplo de este tipo de flujo en Workflow Lab: Staying in the flow with Figma’s Agent, donde el agente participa en actualizaciones de librería, feedback y una primera versión de la especificación del Design System.

Todo eso puede ahorrar bastante tiempo, pero alguien sigue teniendo que decidir por qué existe esa excepción. Quizá ese azul diferente es un error, o quizá responde a una necesidad que el sistema todavía no contempla. Y esa diferencia sigue siendo diseño.

Limpiar el sistema sí, decidir por él no

Hay algo que me gusta especialmente de esta evolución de las herramientas de IA: nos obliga a separar dos cosas que durante años hemos mezclado, el trabajo mecánico y el trabajo de diseño. Buscar inconsistencias en cien pantallas no es especialmente creativo, comprobar manualmente si todos los componentes utilizan las variables correctas tampoco, y revisar uno por uno nombres, propiedades o estilos consume tiempo, pero aporta poco valor por sí mismo.

Si una herramienta puede encargarse de esa parte, bienvenida sea. Porque ese tiempo puede utilizarse en algo mucho más importante: entender por qué aparecen las inconsistencias. Muchas veces un componente se utiliza mal porque su estructura y sus propiedades no son suficientemente claras, una variante nueva aparece porque el componente existente no resuelve correctamente un caso de uso o un diseñador rompe el sistema porque seguirlo requiere más esfuerzo que saltárselo. Y ahí ningún botón de “Fix with AI” va a solucionar el problema de fondo.

De hecho, las primeras pruebas realizadas fuera de Figma muestran precisamente esa diferencia. En una prueba de Figma Agent realizada con Flex Design System, el agente resultó útil para tareas de análisis y mantenimiento, pero tuvo más problemas cuando se le pidió crear componentes nuevos respetando patrones, tokens y estructuras existentes.

Algo parecido encontraron en una prueba realizada por el equipo de Entify con un Design System real: al proporcionarle el contexto adecuado los resultados mejoraban, pero eso no significaba que entendiera automáticamente todas las reglas y decisiones acumuladas dentro del sistema.

Y creo que ahí está precisamente el punto: un Design System no contiene solamente componentes. Contiene contexto.

También cambia nuestra forma de documentar

Otro punto que me parece especialmente interesante es la documentación. Quienes trabajamos con Design Systems sabemos lo rápido que puede quedarse obsoleta: diseñas el componente, defines su comportamiento y documentas cómo usarlo, y tres meses después el componente ha cambiado cinco veces mientras una parte de la documentación continúa describiendo la primera versión.

Figma plantea ahora que el agente pueda ayudar a generar borradores de documentación utilizando el contexto del propio sistema. Eso puede ser tremendamente útil, pero para mí la palabra importante aquí es borrador.

Una IA puede explicar perfectamente que un componente tiene tres variantes y cinco propiedades. Lo que difícilmente sabrá por sí sola es por qué decidimos utilizar un patrón en lugar de otro, cuándo no debería utilizarse o qué problemas descubrimos después de probarlo con usuarios. Lo que separa una documentación útil de una simplemente correcta es que la primera explica por qué existe el componente y cuándo tiene sentido usarlo, no solo cómo funciona.

¿Significa esto que necesitaremos menos diseñadores?

Probablemente esta sea la pregunta que acaba apareciendo cada vez que hablamos de IA. Yo la formularía de otra manera: ¿necesitaremos diseñadores haciendo exactamente las mismas tareas que hacíamos hasta ahora? Seguramente no, y no creo que eso sea necesariamente malo.

Hace años dedicábamos muchísimo tiempo a tareas que hoy damos por automatizadas: crear versiones manualmente, actualizar símbolos o modificar decenas de pantallas una a una. Las herramientas evolucionaron, y nuestro trabajo evolucionó con ellas. Creo que con los agentes ocurrirá algo parecido.

Si pueden encargarse de revisar la consistencia de un sistema, actualizar documentación básica o detectar desviaciones de una librería, el valor del diseñador se desplaza todavía más hacia las decisiones. Y esto tampoco parece un fenómeno aislado. El Informe sobre IA de Figma 2026, basado en más de 8.400 respuestas y 639 entrevistas cualitativas, refleja cómo la IA está empezando a modificar no solo la productividad individual, sino también la forma en la que diseñadores, desarrolladores y Product Managers trabajan juntos.

Y, curiosamente, cuanto más fácil sea generar una interfaz, más importante será decidir qué interfaz merece la pena generar.

Un Design System preparado para agentes

Hay otra consecuencia que quizá sea todavía más interesante: para que un agente entienda correctamente un Design System, el sistema tiene que estar bien construido: nombres con sentido, variables organizadas, una estructura lógica.

De hecho, la propia Figma insiste en la importancia de proporcionar contexto al agente. Con la disponibilidad general se pueden añadir incluso guidelines a una librería mediante archivos Markdown con reglas, buenas prácticas y antipatrones que el agente tendrá en cuenta al trabajar con ella.

En otras palabras: la IA también necesita un buen Design System. Y sospecho que los sistemas mejor estructurados tendrán cada vez más ventaja: no solo serán más fáciles de usar para diseñadores y desarrolladores, también lo serán para las herramientas y agentes que trabajen con ellos.

Eso introduce una nueva capa en el diseño de sistemas. Hasta ahora diseñábamos principalmente para dos consumidores: personas y código. Quizá tengamos que empezar a pensar también en un tercero: los agentes.

La noticia no está donde parece

Dentro de unos meses seguramente dejaremos de sorprendernos cada vez que una herramienta anuncie una nueva función de inteligencia artificial. Pasó con el responsive, pasó con los componentes, pasó con Auto Layout y probablemente acabará pasando con los agentes.

Para mí la noticia no es que Figma haya metido otra IA dentro de Figma, sino que la inteligencia artificial empieza a entrar en la infraestructura del diseño y no solo en la generación de pantallas.

Mantener librerías, revisar inconsistencias y documentar componentes: todo ese trabajo que ocurre alrededor de la interfaz empieza también a automatizarse. Y eso puede ser una muy buena noticia, siempre que recordemos que mantener un Design System no consiste únicamente en conseguir que todo sea consistente.

A veces una inconsistencia es precisamente la pista que necesitas para descubrir que el sistema tiene que cambiar.

Una pelota de color aparece en la pantalla rebotando por una calle de San Francisco. Después llega otra. Y otra. Hasta que, de repente, la ciudad se llena con 250.000 pelotas de goma bajando por sus cuestas.

No hay actores, ni diálogos, ni una historia que tengas que seguir. Ni siquiera aparece el televisor que te están intentando vender. Lo único que ves son pelotas, color y movimiento, con la versión de Heartbeats de José González sonando de fondo.

Dicho así suena a poco, pero el resultado es de esos que no se te olvidan.

La idea

Sony tenía que presentar sus nuevos televisores Bravia y hablar de una de sus principales características: el color.

La solución más previsible habría sido enseñar imágenes espectaculares dentro de una pantalla y comparar su calidad con la de otros televisores. Pero en Fallon London decidieron llevar el color fuera de la pantalla y soltarlo directamente por las calles de San Francisco.

Para hacerlo lanzaron 250.000 pelotas de goma por algunas de las cuestas más conocidas de la ciudad. Y no, no se crearon por ordenador ni se multiplicaron después en post-producción. Las pelotas estaban allí de verdad, rebotando por las calles delante de las cámaras.

El concepto de la campaña era Colour Like No Other. Y después de ver el anuncio, queda bastante claro: no necesitan explicarte resoluciones, píxeles ni características técnicas.

Balls fue la primera pieza de la campaña. Después llegarían Paint, con explosiones de pintura en un edificio de Glasgow, y Play-Doh, protagonizado por figuras de plastilina que recorrían las calles de Nueva York. Cada anuncio utilizaba una técnica diferente, pero todos partían de la misma idea: sacar el color fuera del televisor y convertirlo en algo real.

Lo potente

Para mí, buena parte del spot funciona por la música.

Mientras que la parte visual es una auténtica locura, la versión de Heartbeats de José González suena tranquila, casi a cámara lenta. Es el contrapeso: miles de pelotas chocan contra fachadas, saltan sobre coches y atraviesan cruces, y aun así el anuncio nunca se siente caótico.

Con una música más rápida habría sido espectacular, sí, pero seguramente también habría acabado pareciendo una demostración de efectos especiales. Esta canción lo convierte en algo precioso, y hace que te quedes mirando hasta el final.

También me gusta que Sony no tenga ninguna prisa por enseñar el televisor. De hecho, prácticamente se olvida de él. Primero consigue que recuerdes la imagen y después, al final, te cuenta quién está detrás.

Lo chulo

Mi momento favorito es cuando empiezan a aparecer las primeras pelotas. Al principio son unas pocas y todavía no sabes muy bien hacia dónde se dirige el anuncio. De repente llega la avalancha y toda la calle se llena de pequeños puntos de colores rebotando sin control.

El rodaje debió fue una auténtica locura. Se utilizaron sistemas especiales para lanzar las pelotas, cámaras protegidas y un equipo preparado para reparar cualquier daño. Hubo cristales rotos y varios vehículos afectados, aunque muchos de ellos habían sido colocados allí por la propia producción. (Making-Off)

San Francisco tampoco fue una localización elegida al azar solo porque quedara bonita. Sin esas cuestas, el anuncio habría sido completamente diferente.

Y hay un detalle que me encanta: la rana que aparece saltando desde una tubería también era real. Con 250.000 pelotas bajando por la calle, incluso ella quiso participar.

El anuncio deja que las pelotas sigan cayendo y desapareciendo mientras la canción continúa. Durante mas de 2 minutos no ocurre nada más. Y tampoco hace falta.

Puede que al terminar no recuerdes cómo era exactamente aquel televisor. Pero seguro que recuerdas las pelotas de colores bajando por San Francisco.

Una pieza cae y pone otra en movimiento. Después otra. Y otra. Un engranaje empuja a otro, un tubo rueda, una rueda comienza a avanzar… y así durante dos minutos en los que no puedes apartar la vista de la pantalla.

No hay coches recorriendo carreteras imposibles ni curvas perfectas con paisajes espectaculares. De hecho, el Honda Accord no aparece completo hasta el final. Lo único que vemos son sus piezas desmontadas, conectadas en una enorme reacción en cadena que parece que va a fallar en cualquier momento.

Y precisamente por eso funciona tan bien.

La idea

La propuesta era aparentemente sencilla: desmontar un Honda Accord y utilizar sus piezas para crear una reacción en cadena al estilo de una máquina de Rube Goldberg.

Cada elemento activa el siguiente con una precisión milimétrica. Una pieza rueda, golpea otra, libera un mecanismo y hace avanzar toda la secuencia hasta llegar al coche terminado. No hace falta explicar su ingeniería ni mostrar esquemas técnicos. El propio funcionamiento de las piezas transmite la idea de precisión.

Y lo hace de una manera mucho más entretenida que cualquier demostración convencional.

Durante casi todo el anuncio no vemos el coche entero, pero llevamos dos minutos mirándole las tripas. Honda trata cada tornillo y cada muelle, vamos, cada pieza, como si fuera el actor principal.

Lo potente

Para mí, lo mejor de Cog es la tensión que consigue generar con algo tan sencillo.

Sabes que la cadena está preparada y que todo debería salir bien, pero cada movimiento parece estar a punto de fallar. Una rueda puede desviarse o una pieza puede no caer donde debe. Estás esperando el error, pero todo sigue avanzando.

También resulta muy inteligente la forma de enseñar el producto. Honda no te dice que el Accord está bien construido ni insiste en la precisión de su ingeniería. Te deja verlo. Cada pieza cumple su función y encaja con la siguiente hasta formar un sistema completo.

El mensaje final, “¿No es agradable cuando las cosas simplemente funcionan?”, pone palabras a lo que acabamos de ver sin necesidad de explicar nada más.

Lo chulo

Lo más sorprendente es que la reacción se construyó con piezas reales del Honda Accord. La secuencia se rodó en tiempo real y el resultado final une dos largas tomas, pero la cadena no fue creada mediante CGI. ¿No me crees?, pues aquí tienes también el video del making-of.

Detrás de esos dos minutos hubo meses de preparación, pruebas y ajustes para conseguir que cada elemento se moviera exactamente como estaba previsto. Incluso las ruedas que parecen subir una rampa de manera antinatural, tenían pesos colocados en su interior para provocar el desplazamiento.

Mi momento favorito es cuando los limpiaparabrisas avanzan solos por el suelo, casi como si fueran pequeños insectos mecánicos. Es una escena breve, un poco absurda y totalmente inesperada dentro de una coreografía calculada al milímetro.

Y luego está el sonido. Los golpes, roces, giros y pequeños chasquidos de las piezas marcan el ritmo durante casi todo el anuncio. Solo al final entra Rapper’s Delight, justo cuando aparece el Accord terminado y todo cobra sentido.

Después de verlo por primera vez, lo normal es volver al principio. No porque no lo hayas entendido, sino porque quieres descubrir cómo demonios han conseguido hacerlo.

Hoy subo al blog una nueva versión de uno de mis antiguos temas: Don’t Get Me Down

La canción parte de una idea original creada en 1999 y recuperada ahora con un sonido mucho más actual, más de club y más electrónico. Esta versión se mueve entre el Slap House y el Deep House, con una base más marcada, una línea de bajo con más peso y una atmósfera nocturna pensada para sonar con fuerza.

La letra mantiene ese punto repetitivo e hipnótico que funciona casi como un mantra: don’t get me down. Una frase sencilla, directa, que en esta revisión gana otro carácter gracias al ritmo, al groove y a una producción más oscura y energética.

Además, esta versión incorpora un rap escrito especialmente para esta revisión de 2026, pensado para encajar con el pulso de la canción y reforzar su lado más intenso. Una parte nueva que aporta contraste, actitud y un tono más urbano dentro de la atmósfera electrónica del tema.

No es solo una actualización del tema original, sino una reinterpretación desde otro momento y con otro sonido. La misma idea, pero llevada a una pista más moderna, más intensa y más cercana al universo del house actual.

DJ Tutti – Don’t Get Me Down (Slap House Version 2026)
Slap House · Deep House · Electronic

Normalmente, cuando un anuncio se convierte en un clásico, lo mejor suele ser dejarlo tranquilo. Pero con este que os quiero comentar pasó algo diferente.

Ocho años después de Whassup?, Charles Stone III volvió a reunir a prácticamente los mismos amigos del spot original y recuperó aquella llamada telefónica que había acabado formando parte de la cultura popular.

Solo que esta vez las cosas habían cambiado bastante.

Ya no están simplemente viendo el partido y tomando una cerveza. Uno está perdiendo su casa, otro llama desde Irak, otro no puede pagar sus medicamentos, otro ve cómo sus inversiones se desploman y al último le está pasando literalmente un huracán por encima.

El “Whassup?” sigue ahí. Pero ya no suena igual.

La idea

Aquí está precisamente lo interesante. Charles Stone III coge una escena que todo el mundo conocía (unos amigos llamándose por teléfono para no decir prácticamente nada) y la repite ocho años después.

Pero cambia completamente el contexto.

Estados Unidos estaba en plena crisis financiera, continuaban las guerras de Irak y Afganistán y faltaban pocos días para las elecciones presidenciales de 2008. El vídeo utiliza esas situaciones para presentar a aquellos mismos personajes viviendo ahora problemas muy distintos.

La estructura es prácticamente la misma. La sensación, no.

Lo potente

Para mí, lo mejor es que no intenta copiar el anuncio original simplemente por nostalgia. Utiliza el recuerdo que tenemos de él.

Conocemos a los personajes, sabemos cómo debería desarrollarse la llamada y esperamos aquel “WHAAASSUUUP?” exagerado que nos hacía gracia ocho años antes. Pero cada llamada destapa una situación peor que la anterior.

Y ahí una misma frase, con los mismos personajes y prácticamente la misma puesta en escena, acaba significando algo completamente diferente.

El vídeo termina tomando una posición política explícita a favor de Barack Obama y utilizando la palabra “change” como respuesta al viejo “wassup”. Stone dejó claro además que se trataba de una pieza propia, no de una campaña oficial de Budweiser.

Lo chulo

Lo que más me gusta es que, si has visto el original, reconoces todo desde el primer segundo. Los mismos amigos, las llamadas, las caras, las pausas, el “Whassup?”.

Pero han pasado ocho años y parece que también han pasado ocho años de verdad por encima de ellos. Y eso hace que este #005 BIS tenga sentido como algo especial dentro de la serie.

No es otro anuncio inspirado en un clásico. Es el propio director volviendo a su creación, con los mismos personajes, para darle una lectura completamente nueva.

El original era básicamente unos amigos preguntándose qué estaban haciendo. Ocho años después, la pregunta seguía siendo la misma.

Lo que había cambiado era la respuesta.

Durante bastante tiempo íbamos a un supermercado concreto precisamente porque ofrecía un sistema de autoescaneo durante la compra. Puede parecer simplemente otra forma de pagar, pero cuando haces compras grandes cambia bastante la experiencia. Y precisamente por eso me parece un caso interesante para hablar de UX. Muchas veces una buena experiencia no añade tecnología, pantallas o automatización. Solo quita pasos que no aportan nada al usuario.

El funcionamiento era muy sencillo. Cogías un producto de la estantería, escaneabas el código de barras y lo metías directamente en el carro. Y así con toda la compra. Mientras recorrías el supermercado podías ver cuánto llevabas gastado, comprobar precios y promociones y saber en todo momento por dónde iba la cuenta. Cuando terminabas, ibas a una zona específica, escaneabas un código con el mismo lector, aparecía toda tu compra en pantalla, te identificabas con la tarjeta de fidelización para aplicar los descuentos y pagabas. Y te ibas. Sin sacar toda la compra del carro.

Puede parecer una tontería hasta que haces una compra familiar con el carro hasta arriba. Porque si analizas el journey completo, el proceso tradicional tiene bastante fricción. Coges el producto y lo metes en el carro. Al llegar a caja vuelves a sacarlo. Lo colocas en la cinta. Se escanea. Lo vuelves a meter en el carro. Llegas al coche, lo vuelves a sacar y finalmente lo colocas en bolsas o en el maletero. El mismo producto pasa varias veces por tus manos sin que eso aporte demasiado valor. El sistema de autoescaneo eliminaba uno de esos pasos y, sobre todo, movía la acción de escanear a un momento en el que ya estabas interactuando con el producto.

Menos pasos también es UX

Una de las cosas que me gustaba del sistema es que no intentaba hacer magia. El producto había que escanearlo igualmente. La diferencia estaba en cuándo. Coges algo de la estantería, ya lo tienes en la mano, lo escaneas y lo guardas. Acción terminada. No necesitas recuperarlo veinte minutos después para volver a manipularlo en una caja. Desde UX parece una diferencia pequeña, pero no lo es: reduces esfuerzo físico, evitas acciones repetidas y haces coincidir la tarea con el momento más lógico del recorrido.

Y además te daba algo que muchas veces se pierde en este tipo de procesos: sensación de control. Sabías en todo momento cómo iba evolucionando tu compra, en vez de ir «a ciegas» hasta la caja. Información útil, en el momento justo, sin más.

De vez en cuando había controles aleatorios. Un empleado revisaba algunos productos o comprobaba que lo que llevabas en el carro coincidiera con lo registrado. Nos ha tocado alguna vez y nunca me ha parecido un problema: si ese pequeño control permite mantener el servicio, me parece un intercambio razonable.

Detrás hay necesidades de negocio que el cliente no ve: errores al escanear, productos olvidados, fraude, mantenimiento de dispositivos, costes operativos, o un nivel de uso que no compensa mantener el sistema. El problema aparece cuando una decisión justificada desde operaciones empeora de forma clara el journey de un grupo concreto de usuarios.

Y un día desapareció

El pasado fin de semana volvimos a ese supermercado y fuimos automáticamente hacia la zona donde estaban los lectores.

Ya no estaban.

Preguntamos en información y nos dijeron que el servicio se había retirado durante el verano y que, en su lugar, habían ampliado la zona de cajas de autoservicio.

Las cajas tradicionales siguen existiendo, claro. Con su cinta larga y el proceso de siempre. Y este detalle es importante porque con un carro lleno la alternativa real al sistema de autoescaneo no es una de esas nuevas cajas de autopago. Es volver a la caja tradicional.

Y ahí empezó mi deformación profesional.

Porque la decisión tiene bastante sentido si pensamos en otro tipo de usuario. Entras a comprar cuatro, seis o diez productos, llegas a una caja automática, escaneas, pagas y te vas. Si aumentas el número de terminales de autoservicio probablemente reduces colas y mejoras el tiempo de salida de muchas personas. Hasta ahí, perfecto. El problema es pensar que todos los usuarios están haciendo la misma compra.

Un mismo supermercado, journeys completamente distintos

Una persona que entra a por seis productos y una familia que llena un carro están haciendo aparentemente la misma tarea: comprar. Pero desde UX son dos escenarios bastante diferentes. Uno necesita rapidez, poca espera y un proceso de pago corto. El otro necesita manejar una cantidad mucho mayor de productos y evitar, siempre que sea posible, acciones repetitivas.

Antes había tres formas diferentes de resolver esos escenarios: caja tradicional, autopago y autoescaneo durante la compra. Ahora quedan dos. Para quien hace compras pequeñas se han añadido más puntos de autoservicio. Para nosotros, que solemos hacer compras grandes, ha desaparecido precisamente la opción que mejor encajaba con nuestro recorrido.

Puede que la mayoría de los clientes hicieran compras pequeñas, o que el sistema apenas se usara, o que las pérdidas no compensaran mantenerlo. No lo sé. Pero desde UX aparece una pregunta bastante interesante: ¿qué ocurre cuando optimizamos el servicio para el usuario mayoritario y eliminamos una solución que funcionaba especialmente bien para otro segmento?

El peligro de diseñar para “el usuario”

En UX hablamos constantemente de usuarios, journeys y contextos, precisamente porque no hay un único usuario. Y aun así acabamos diseñando para uno inventado: el que compra una cantidad determinada de productos, tarda unos minutos concretos y elige la opción previsible. Un promedio. Alguien que no ha pisado nunca ese supermercado.

Porque en la tienda de verdad hay quien entra casi a diario a por cuatro cosas, hay quien hace la compra grande del sábado y hay gente mayor que prefiere que le atienda una persona en caja. Todos usan el mismo servicio. Ninguno hace el mismo recorrido.

Una mejora local puede empeorar la experiencia global

También hay otra cuestión que me parece interesante. Si medimos únicamente el tiempo de espera en las cajas rápidas, seguramente añadir más terminales de autoservicio mejore el dato. Pero UX no debería analizar solamente un punto del recorrido.

Si una mejora en el último paso obliga a determinado usuario a realizar más acciones durante el journey completo, quizá hayamos optimizado una métrica sin mejorar realmente su experiencia.

En nuestro caso, el resultado es muy sencillo: antes colocábamos un producto en el carro y no lo volvíamos a tocar hasta llegar al coche. Ahora hay que sacarlo todo otra vez en caja. Un paso que antes no existía, y que con el carro lleno se nota bastante.

Quizá no había que elegir

No sé qué datos maneja ese supermercado, ni sus costes, ni el uso real que tenía el sistema. Puede que fuesen pocos los que lo utilizaban o que las pérdidas no compensaran mantenerlo. Tampoco necesito saberlo para quedarme con la parte que sí me interesa: el autoservicio resuelve un problema, el autoescaneo durante la compra resolvía otro y la caja tradicional resuelve un tercero.

No tienen por qué competir entre sí. Responden a necesidades distintas, y eliminar una de las opciones no convierte automáticamente en mejores a las otras dos.

Y ahí está, para mí, la parte más interesante de todo esto. Nosotros hemos perdido uno de los principales motivos por los que íbamos expresamente a ese supermercado. Y eso también es UX: no solo cómo utilizas un servicio, sino cómo una buena experiencia puede acabar convirtiéndose en una de las razones por las que eliges un establecimiento y no otro.

Quizá por eso, después de darle unas cuantas vueltas, la pregunta que me queda no es si hacían falta más cajas de autopago. La pregunta es otra:

Cuando mejoras la experiencia de un tipo de usuario eliminando la solución que funcionaba especialmente bien para otro, ¿estás mejorando realmente la experiencia de usuario o simplemente estás decidiendo qué usuario te interesa priorizar?