Plataforma SaaS impulsada por IA para análisis de datos de minería, etiquetado de núcleos de perforación e inteligencia geológica
.png)
Rol
Lead Product Designer (UX/UI)
Rol
GRAIPH
Duración
2021 - 2025 (4 años)
Equipo
Dispositivos
Web · Tableta · Escritorio
Herramientas y metodología
Figma · Adobe XD · FigJam · Slack · Miro
Impacto de un vistazo
-
Reducción del 40 % en el tiempo de finalización de tareas (8 → 4,8 min)
-
Mejora del 60 % en la usabilidad
-
Más de 80 componentes de interfaz de usuario desarrollados y documentados
Equipo de producto de 5 personas (CEO, CTO, 3 ingenieros)
Impacto comprobado
40%
Resolución de
tareas
60%
Usabilidad
(SUS 68 - 85)
+80
Componentes reusables
+60%
Incremento de confianza con la plataforma
CONTEXTO Y DESAFÍO
El motor de etiquetado de inteligencia artificial de GRAIPH era potente pero difícil de entender para usuarios no técnicos.
Los flujos de trabajo estaban fragmentados en cuatro pantallas.
Las decisiones de IA parecían una caja negra.
Los usuarios carecían de confianza al revisar los resultados automatizados.
El desafío: Haga que la IA sea transparente, controlable y eficiente sin reducir el poder de automatización.
MI ROL
Lideré una estrategia UX/UI end to end centrada en la transparencia de la IA y la eficiencia del flujo de trabajo.
• Realizé una investigación de usuarios con analistas de medios.
• Diseño de un marco de visualización de confianza de IA
• Flujos de trabajo fragmentados unificados en una única interfaz
• Se creó una biblioteca de más de 80 componentes reutilizables
• Colaboré estrechamente con ingenieros de IA/ML
• Pruebas A/B
Interfaz de usuario heredada (antes)
Interfaz de usuario oscura, paleta verde oliva, pantallas densas, etiquetador confuso, interacciones inconsistentes .
Nueva interfaz de usuario (después)
Interfaz de usuario limpia, brillante y moderna; sistema de diseño unificado; flujos de trabajo más claros; experiencia de etiquetado mejorada; nueva identidad de marca.
.png)
EL PROBLEMA
Desafíos del usuario
❌ El 85% no comprendió las tareas de la IA
❌ El etiquetado requiere cambiar entre 4 pantallas
❌ Alta carga cognitiva al revisar grandes bibliotecas de medios
❌ Correcciones manuales frecuentes
Desafíos empresariales
❌ Baja confianza en la IA
❌ Adopción más lenta
❌ Reducción de la confianza empresarial
INVESTIGACIÓN Y DESCUBRIMIENTO
Métodos
-
Entrevistas a usuarios (analistas de medios y gestores de contenidos)
-
Análisis de más de 200 tickets de soporte
-
Sesiones de etiquetado con sombras
Perspectivas clave
Brecha de transparencia de la IA
Los usuarios no pudieron predecir ni verificar las decisiones de la IA.
Los puntajes de confianza carecían de significado.
Fragmentación del flujo de trabajo
Proceso de etiquetado dividido en 4 pantallas.
El cambio de contexto aumentó los errores.
Sobrecarga de datos
Las grandes bibliotecas abrumaron a los usuarios.
Sin priorización por nivel de confianza.
Visión central:
-
Los usuarios no querían menos IA.
-
Querían una IA que pudieran entender y controlar.
PROCESO Y ENFOQUE
Fase 1 — Marco de transparencia de la IA
Modelos mentales de confianza del usuario mapeados.
Se probaron múltiples conceptos de visualización de confianza.
Resultado:
Sistema de confianza de tres niveles que simplifica el enfoque de la revisión.
.png)
Fase 2: Interfaz de etiquetado unificada
Flujo de trabajo de 4 pantallas colapsado en una única interfaz:
Izquierda: Vista previa de los medios
Centro: Sugerencias de IA + etiquetado manual
Derecha: Etiquetas aplicadas + acciones masivas
Resultado:
Cambio de contexto reducido y flujo de tareas mejorado.
Fase 3: Optimización de la visualización de datos
Paneles de control rediseñados para:
• Priorizar el contenido de alto riesgo
• Etiquetas de IA de baja confianza en la superficie
• Habilitar la revisión por lotes
Resultado:
Toma de decisiones más rápida y a gran escala.
.png)
DISEÑO DE LLAVES
DECISIONES
Decisión 1: Visualización de la IA
Problema:
Los usuarios no confiaban en la IA porque las decisiones carecían de transparencia.
Decisión:
Modelo de confianza de 3 niveles:
Alto (85–100%) Autoaplicado
Medio (60–84%) Requiere revisión
Etiquetado manual bajo (<60%)
Se agregó la explicación "Mostrar razonamiento".
Impacto:
• +60% de aumento en la confianza en la IA
• -40% tiempo de revisión
• -55% correcciones manuales
Decisión 2 — Interfaz de etiquetado unificada
Problema:
El flujo de trabajo dividido en cuatro pantallas generó fricción.
Decisión:
Interfaz única con paneles contextuales y acciones por lotes.
Impacto:
• Tiempo de la tarea: 8 → 4,8 minutos
• -55% de errores de etiquetado
• +45% de satisfacción
• Menor carga cognitiva (NASA-TLX)
DESIGN SYSTEM
Para respaldar la escala y la consistencia, construí un sistema de más de 80 componentes adaptado a interfaces con gran cantidad de datos e IA.
Incluye:
• Componentes de visualización de datos
• Controles de etiquetado e indicadores de confianza
• Módulos de acción por lotes
• Tokens de diseño estructurado
• Documentación para diseño e ingeniería
Impacto:
• Diseño a desarrollo un 50% más rápido
• 80% de reutilización de componentes en todos los módulos
• +40% de velocidad de ingeniería
.png)
PRUEBAS Y VALIDACIÓN
Prueba de concepto
• 10 sesiones de validación de la visualización de la confianza
• Se agregó información sobre herramientas de razonamiento después de los comentarios.
Pruebas de usabilidad
• 10 sesiones beta
• La interfaz unificada redujo los errores en un 55%
Pruebas A/B
• 25 usuarios (flujo de trabajo antiguo vs. nuevo)
• Finalización de tareas un 40% más rápida
• SUS mejoró de 68 → 85
Validación continua a través de análisis y retroalimentación de clientes empresariales.
_edited.jpg)
RESULTADOS E IMPACTO
Métricas de usuario
• Finalización de tareas un 40% más rápida
• Mejora de usabilidad del 60% (SUS 68 → 85)
• 55% menos de errores de etiquetado
• El 70% de los usuarios calificó la IA como confiable (frente al 30% anterior)
Impacto empresarial
• 10 clientes empresariales incorporados en 6 meses
• Contribuyó a una ronda de financiación de más de 500mil dólares
• Mayor confianza en la adopción empresarial
Impacto del producto
• Más de 80 componentes reutilizables
• Entrega de funciones un 50% más rápida
• Aumento del 40% en la velocidad de ingeniería
APRENDIZAJES Y REFLEXIÓN
Los productos de IA requieren marcos de confianza, no solo automatización.
• La transparencia aumenta la eficiencia.
• La reducción de la carga cognitiva impulsa la adopción.
• La unificación del flujo de trabajo mejora tanto la experiencia del usuario como las métricas comerciales.
• Las interfaces con gran cantidad de datos exigen una sólida jerarquía visual.
Este proyecto profundizó mi experiencia en transparencia de IA, simplificación de flujos de trabajo complejos y diseño de SaaS empresarial.