Diseñar Para el Esfuerzo Invisible

Hace unas semanas me quedé sin créditos en una de mis cuentas de Claude y tuve que bajar de modelo. Venía trabajando con Opus y pasé a Sonnet: el más alto, pero Sonnet. Lo primero que noté no fue una falla, fue mi propia expectativa. Leía cada respuesta esperando que me supiera a poco. Daba por hecho que iba a ser más acotada, más simple, menos capaz de sostener la profundidad que le estaba pidiendo, y leía buscando la confirmación de eso. Cuando finalmente me senté a comparar los dos modelos en serio, encontré que se distinguían en un conjunto de tareas bastante específico, ninguna de las cuales era la que yo estaba haciendo. Mi desconfianza no venía de los resultados. Venía de una idea que me había hecho sobre cuánto esfuerzo pone cada modelo en pensar: cuántos recursos gasta en entender el contexto antes de contestarme, cuánto se detiene en lo que le pido. El costo era apenas la forma visible de esa idea.

Me interesa esa escena porque no tiene nada de excepcional. La interfaz por la que pasa todo esto es una caja de texto: probablemente la UI más simple que diseñamos en veinte años. Y sin embargo, adentro de esa simplicidad, la experiencia entera se juega en un territorio que no aparece en ningún flujo. Cuánto sé del modelo que estoy usando. Qué me imagino que hay del otro lado. Cuánta información técnica me falta, y con qué relleno ese hueco cuando me falta. Casi siempre lo relleno con algo que no es información.

En mi primer artículo escribí que la confianza en un sistema de IA no se construye con perfección sino con legibilidad: un sistema que comunica bien su incertidumbre resulta más confiable que uno que actúa certeza. Lo sigo pensando. Pero esa es la mitad racional del asunto, la que un diseñador puede intervenir. Hay otra mitad que funciona antes, más rápido y con menos evidencia, y que decide cosas grandes: qué herramienta elegimos, a cuál le creemos, cuál abandonamos y cuál seguimos pagando por razones que no sabríamos defender en voz alta.

El esfuerzo que no se ve

Para confiar en un trabajo, primero necesitamos poder leerlo. Y durante casi toda la historia eso fue relativamente fácil, porque el esfuerzo dejaba huellas visibles: el tiempo que alguien pasó sentado, las correcciones en el margen, la textura de una pieza hecha a mano, la carpeta de intentos previos. El trabajo se mostraba en su resultado y también en sus restos. Podíamos estimar cuánto costó hacer algo, y esa estimación era buena parte de nuestro juicio sobre su valor.

Con la IA esa lectura se rompe. El trabajo ocurre en otro lado, en una escala que no percibimos, y todo lo que recibimos es el resultado terminado. No hay borradores, no hay señales de fatiga, no hay marcas del proceso. Entonces hacemos lo que hacemos siempre que nos falta información directa: buscamos señales indirectas. El precio del plan. El nombre del modelo y su posición en la jerarquía de la marca. Cuánto tarda en contestar. Si dice que está pensando. Cuán larga y elaborada es la respuesta. Ninguna de esas cosas es el trabajo. Todas se leen como si lo fueran.

La biología tiene una explicación elegante para por qué confiamos en señales caras. El biólogo Amotz Zahavi propuso que ciertas señales son creíbles justamente porque son costosas de emitir: la cola del pavo real es un estorbo enorme, y por eso mismo funciona como prueba honesta de salud, ya que un individuo débil no podría permitírsela. El costo es lo que hace confiable a la señal. Es un mecanismo profundo y bastante razonable, y explica por qué mi cabeza asoció sin dudarlo "consume más recursos" con "piensa mejor".

El problema es que ese mecanismo se rompe cuando la señal se despega de aquello que señalaba. El precio de un modelo refleja cómputo, arquitectura y decisiones de negocio; no refleja qué tan bien encaja ese modelo con la pregunta que le estoy haciendo yo. Una señal costosa sigue siendo costosa aunque haya dejado de informar sobre lo que me importa. Y ahí quedé yo: leyendo respuestas perfectamente buenas con la sospecha puesta de antemano, no por lo que decían, sino por lo que yo creía que le habían costado.

Del esfuerzo propio al esfuerzo ajeno

Hay algo que me descolocó cuando lo vi. En mi artículo anterior defendí que hay un esfuerzo que no conviene delegar, porque es exactamente ahí donde se forma el entendimiento: la fricción de sentarse a leer y comprender lo que la máquina produjo, sin la cual delegamos sin participar. El esfuerzo, ahí, era el nuestro, y el argumento era preservarlo.

Acá estoy haciendo la misma operación pero hacia afuera. Evalúo a la máquina por el esfuerzo que le imagino. Y las dos versiones comparten un problema idéntico: en los dos casos el esfuerzo es invisible. El mío ocurre adentro de mi cabeza y nadie lo ve; el suyo ocurre en un centro de datos y tampoco lo ve nadie. En los dos casos terminamos juzgando por señales, no por sustancia.

Eso no es nuevo, aunque la IA lo vuelva agudo. Pasamos un siglo entero diseñando lugares de trabajo alrededor de una sola pregunta: cómo hacemos visible el esfuerzo. Las oficinas abiertas, las horas registradas, la presencia como prueba, el estar disponible como sinónimo de estar aportando. Todo eso son señales de trabajo, no trabajo. Y todos sabemos hasta qué punto se pueden emitir sin que haya nada detrás. Ahora estamos empezando a hacer lo mismo con las máquinas, y conviene mirarlo temprano, porque tenemos la experiencia de cómo termina.

La confianza prestada

La otra mitad de esto no es cálculo, es historia.

La primera herramienta de IA que usé fue ChatGPT. Después apareció Claude y me mudé casi por completo para trabajar, pero nunca la di de baja: la seguí usando para cosas personales. Y durante bastante tiempo no lo hice por ninguna razón que pudiera defender técnicamente. Lo hacía porque tenía más experiencia con ella, porque sentía que me entendía más, porque de alguna manera ya me conocía. Hoy tengo motivos racionales para mantener las dos, pero sería deshonesto no decir que primero hubo apego y después argumentos.

Y lo interesante es que ese apego no es del todo irracional. La familiaridad es información real: sé cómo hablarle a una herramienta que usé mil veces, conozco sus formas de fallar, aprendí a corregirla sin pensarlo. Eso es conocimiento genuino y tiene valor. El problema es que se confunde con calidad. Termino atribuyéndole al modelo una virtud que en realidad es mía: la destreza que desarrollé usándolo.

A eso se suma algo que la industria todavía no discute lo suficiente: la confianza que un sistema de IA hereda de la marca que lo aloja. Si confío en la empresa, confío en el modelo, y el modelo no emite ninguna señal de duda que corrija esa transferencia. Es confianza prestada, que llegó desde afuera y que el sistema recibe sin haber hecho nada para merecerla. Con una persona, la confianza se construye en el trato y se ajusta con cada interacción. Con estas herramientas llega antes del primer intercambio, ya formada, y después es sorprendentemente difícil de mover.

Diseñar la señal

Acá aparece el problema de diseño, y es incómodo.

Si la percepción del usuario se forma con señales y no con sustancia, entonces diseñar esas señales es parte del trabajo. Ya lo estamos haciendo. El indicador de que el sistema está pensando, el texto que aparece de a poco como si se estuviera escribiendo, los pasos intermedios que muestran un razonamiento en curso: todas son decisiones de diseño sobre cómo se percibe un esfuerzo que de otro modo sería invisible. Y algunas son honestas, porque efectivamente corresponden a algo que está ocurriendo y ayudan a calibrar la expectativa. Otras son puro teatro del trabajo, la versión digital de un empleado que se ve ocupado.

La distinción importa mucho y no es fácil de trazar. Una señal es honesta cuando corresponde a algo real y te ayuda a decidir mejor: cuánto verificar, cuánto confiar, cuándo dudar. Es teatro cuando fue fabricada para producir una confianza que no tenés motivos para tener. Y lo verdaderamente incómodo es que desde afuera se ven casi iguales. Un sistema que muestra su proceso porque quiere que lo entiendas y uno que lo muestra porque quiere que lo admires producen, en la pantalla, exactamente la misma imagen.

Esa ambigüedad es, creo, el corazón ético del diseño de IA hoy. No está en los grandes debates sobre autonomía y control. Está en decisiones minúsculas sobre qué le mostramos a alguien acerca de un trabajo que no puede ver.

La dosis, otra vez

Y sin embargo, después de todo esto, hay algo que me obliga a complicar mi propio argumento.

El esfuerzo no es garantía de nada. Hay cosas extraordinariamente bien resueltas que no costaron casi nada: la solución elegante que aparece de golpe, la palabra justa que llega en el primer intento, el diseño obvio que nadie había visto y que después se vuelve inevitable. Todos conocemos también lo contrario, el trabajo que llevó meses y salió mediocre. Si el esfuerzo fuera un buen indicador de calidad, no existiría la elegancia, que es precisamente el arte de conseguir mucho con poco.

Con la IA pasa igual. Muchísimas de las tareas que le doy no necesitan el modelo más potente, y algunas sí. La destreza no está en elegir siempre más: está en saber cuánto hace falta. Y eso exige dos conocimientos distintos que casi nunca cultivamos juntos. Conocer las herramientas de verdad, más allá de la jerarquía de la marca, sabiendo qué hace bien cada una. Y conocerse a uno mismo lo suficiente para saber qué tipo de tarea se tiene entre manos: si es una que requiere profundidad o una que solo requiere estar hecha, si es un momento para delegar o uno para pensar.

Es la misma pregunta de la dosis que me viene persiguiendo. En el artículo anterior era cuánta fricción conservar. Acá es cuánto esfuerzo pedir. Y en los dos casos la respuesta no es una cifra sino una capacidad: la de calibrar. Que es, si lo pienso, una forma de juicio bastante particular. No juzgar el contenido de una tarea, sino cuánto juicio merece esa tarea. Decidir dónde vale la pena poner la atención, la nuestra y la de la máquina.

Quizás sea eso lo que hay que diseñar ahora, y lo que a cada uno de nosotros le conviene practicar. No herramientas que parezcan esforzarse, ni usuarios que elijan siempre el modelo más caro por las dudas, sino la posibilidad de saber lo que estamos pidiendo. Porque al final la pregunta no es cuánto se esforzó la máquina. Es si nosotros sabíamos cuánto esfuerzo hacía falta.