Design engineering con Maggie Appleton: qué pueden aprender los ingenieros de los diseñadores en la era de los agentes de IA

El artículo recoge un episodio del Pragmatic Engineer Podcast, de Gergely Orosz, dedicado a Maggie Appleton, investigadora sénior ("staff research engineer") en GitHub Next, donde construye prototipos para explorar nuevas formas de colaboración entre ingenieros de software y sistemas de IA. Appleton se define en la intersección de diseño, antropología y desarrollo web, y ha sido diseñadora en startups de IA como Elicit (donde fue la primera diseñadora contratada) y diseñadora líder en Normally. El formato de la conversación es más visual de lo habitual, ya que Appleton muestra páginas de su cuaderno de bocetos y prototipos durante la charla.

Un dato biográfico curioso que aparece en el artículo es que, tras graduarse en antropología cultural, uno de los caminos profesionales que se le presentaron fue trabajar diseñando técnicas de tortura para el ejército de Estados Unidos. Appleton rechazó esa opción y se orientó hacia la tecnología. Según explica, su formación en antropología le ha resultado útil a lo largo de su carrera técnica, porque el software lo construyen personas y las relaciones humanas importan tanto como el código.

Otro punto de su trayectoria es que se formó como ingeniera de frontend de una manera poco convencional: durante cuatro años trabajó como ilustradora en Egghead, una empresa de educación para desarrolladores, llegando a directora de arte. Para poder ilustrar tutoriales tenía que entender realmente lo que dibujaba —componentes de React, el hook useEffect, funciones de JavaScript—, lo que terminó dándole una comprensión técnica sólida. Gergely Orosz menciona que siguió el trabajo de Appleton a raíz de sus ilustraciones para el curso "Just JavaScript" de Dan Abramov, y el artículo incluye un ejemplo animado de ese trabajo.

Una de las anécdotas más reveladoras del episodio tiene que ver con el diseño de interfaces para IA. En 2021, un año antes del lanzamiento de ChatGPT, la startup en la que trabajaba Appleton invirtió meses de trabajo intenso en una "nueva interfaz para IA" pensada para acelerar la investigación científica mediante modelos de lenguaje: lienzos infinitos con tarjetas, documentos combinables al estilo Notion, y otras innovaciones de interfaz. El resultado fue que los investigadores científicos no querían nada de eso: preferían las mismas tablas simples con las que ya estaban familiarizados y se sentían cómodos. Appleton extrae de esta experiencia una lección general: incluso cuando se innova, conviene partir de un primitivo de interfaz familiar para el usuario.

El episodio también profundiza en cómo entiende Appleton la relación entre diseño e ingeniería de software: ambas disciplinas giran, en el fondo, en torno a la resolución de problemas, y la diferencia principal está en los materiales con los que se trabaja. Un aspecto que destaca como genuinamente difícil es la nomenclatura: encontrar los nombres y verbos adecuados para describir cosas nuevas que la gente adoptará y usará. Según ella, esto es relativamente sencillo cuando se construye, por ejemplo, una tienda de zapatillas online, pero mucho más complicado cuando se trata de un producto nuevo para una plataforma como AWS.

Los cuadernos físicos ocupan un lugar central en el método de trabajo de Appleton. Suele iniciar sus proyectos dibujando ideas a mano, porque le resulta más rápido bocetar algo en papel que describírselo a una herramienta como Claude Code. Además, señala una ventaja práctica: una idea dibujada en un cuaderno sigue estando ahí al día siguiente, mientras que una idea introducida en una herramienta de IA es mucho más difícil de recuperar después de decenas de prompts adicionales que se acumulan sobre ella.

Otro concepto propio que aporta al vocabulario del diseño con IA son los "jigs": prototipos personales que construye pidiendo a un agente de codificación que genere una especie de Figma a medida, con controles como deslizadores y selectores de color que le permiten ajustar parámetros en tiempo real —colores, tamaños, velocidad de animación—. El término toma prestada la palabra inglesa "jig", que en carpintería designa un dispositivo que ayuda a realizar una tarea específica de forma repetible.

Sobre su forma actual de trabajar con agentes de codificación, Appleton reconoce que ha dejado de revisar el código generado cuando se produce un pull request, algo que antes sí hacía pero que ya no considera necesario con la generación actual de modelos, al menos para la construcción de prototipos. Su método consiste en, una vez que tiene claro qué construir, redactar una especificación detallada que incluye cómo el propio agente debe verificar su trabajo.

Una de las reflexiones más citables del episodio tiene que ver con los problemas del proceso de planificación asistido por IA. Appleton describe una experiencia frustrante en la que un agente somete al usuario a un interrogatorio de opciones múltiples (A, B o C) repetido decenas de veces; hacia la pregunta número veinte, el cansancio hace que el cerebro deje de tomar decisiones con criterio, y como el agente ya ha sugerido cuál es la opción recomendada, el usuario termina simplemente aceptando esa sugerencia sin pensarlo. Es, en sus palabras, "una experiencia realmente mala" tal y como está planteada hoy.

El artículo también recoge un término acuñado por Appleton que ha tenido resonancia: el "capability gaslighting" (algo así como "gaslighting de capacidad"), que describe la situación en la que un modelo de frontera impresiona al usuario haciéndole creer que domina una tarea, para luego fallar estrepitosamente en esa misma tarea al día siguiente. La advertencia de fondo es que tendemos a seguir confiando en los modelos porque nos convencieron previamente de su competencia, y que conviene mantener cierta vigilancia al trabajar tanto con modelos como con agentes, dado lo desigual ("jagged") de sus capacidades.

En cuanto a cómo deberían relacionarse humanos y agentes de IA de cara al futuro, Appleton plantea que hace falta inventar nuevos tipos de artefactos que sirvan de puente entre ambos mundos. Describe el universo de los agentes como uno compuesto por pesos, modelos, skills y protocolos como MCP, frente al lado humano, hecho de fisicidad, textura, luz y materiales que los agentes no comprenden. Su frustración concreta es que un agente no puede "mirar por encima de su hombro" mientras dibuja en su cuaderno, entender lo que está esbozando y ayudarla a avanzar esa idea.

Finalmente, el episodio ofrece un consejo práctico para ingenieros de software: tratar al agente de IA como un tutor paciente para aprender diseño, preguntándole cosas como cuándo ajustar la altura de línea, cómo debería ser una buena barra lateral, o cuántos caracteres conviene encajar por línea. Appleton subraya que, aunque adquirir habilidades de diseño de producto ha sido tradicionalmente difícil para quien no se dedica a ello, los agentes de IA facilitan ahora ese aprendizaje.

El contenido del artículo se cierra con la lista de referencias y minutos del episodio (que incluyen bloques sobre el uso de Figma, el diseño en GitHub Next, la diferencia entre UX y UI, el artículo de Appleton "One Developer, Two Dozen Agents, Zero Alignment", y su ensayo "Home-Cooked Software and Barefoot Developers"), así como enlaces a episodios previos del propio podcast sobre temas afines: qué es la "loop engineering", el diseño en la ingeniería de software con Balint Orosz, si los agentes de IA realmente ralentizan el trabajo, el vibe coding, y cómo están construidos Codex y Claude Code.