¿Cómo saber si una IA te está mintiendo? La respuesta corta es que casi nunca miente: te entrega una foto del contexto que tiene en ese momento. Esta lectura es para diseñadores, desarrolladores y cualquiera que use LLMs en su flujo de trabajo y quiera resultados confiables.
Raúl, del equipo de diseño de Platzi, cuenta cómo automatizó la migración de un design system usando IA y descubrió tres checkpoints que hoy funcionan para auditar cualquier resultado generado por inteligencia artificial [00:20].
¿Qué problema resolvía la IA en el design system de Platzi?
Todo empezó con Sinapsis, el nuevo design system de Platzi que ahora vive dentro del código y no solo en Figma. Un design system es como la caja de piezas de un producto: colores, tipografías, escalas y todos los componentes reutilizables [01:00].
El reto era claro: traer pieza por pieza cada componente desde el código hacia Figma podía tomar semanas o meses. Por eso el equipo dejó de tratar a Figma como single source of truth, sobre todo pensando en un futuro donde herramientas como Figma, Cursor o Cloud Design cambien o desaparezcan [01:40].
¿Qué es un design system? Es un conjunto de piezas reutilizables de un producto: colores, tipografías, escalas y componentes que mantienen consistencia visual y funcional en toda la interfaz.
El resultado sorprendió: un proyecto de dos o tres semanas se resolvió en hora y media, logrando entre el 50% y 60% de los componentes descargados [02:20]. La IA le ahorró el trabajo tedioso para enfocarse en lo importante: pensar problemas y resolverlos rápido.
¿Por qué la IA dijo que un componente no existía?
Aquí llegó el primer tropiezo. Raúl pidió actualizar el botón, un componente con variantes como primaria, secundaria o destroy, ese botón rojo intenso que ejecuta acciones sin marcha atrás [03:10].
La IA le aseguró que el botón destroy no existía. Es más, encontró un código viejo donde sí estaba, lo recreó, lo metió a Figma y hasta generó un PR para producción [04:00]. El problema real no era mentira: Raúl tenía una versión obsoleta del repositorio con 778 cambios de diferencia [05:00].
La solución fue casi cómica. Su prompt fue tratar a la IA como un colega: sugerirle hacer un git pull para bajar la última versión del código [04:40]. Al hacerlo, el botón apareció.
¿Qué es un git pull? Es el comando que descarga la versión más reciente del código desde un repositorio, incorporando los cambios que otros colaboradores subieron.
De aquí nace el primer filtro: ¿es cierto o era cierto? Cada respuesta de una IA es una foto de lo que vio en ese momento, y no siempre está actualizada frente a un equipo que se mueve rápido [06:40].
¿Cuándo debes dudar más de una respuesta de la IA?
La segunda historia tiene que ver con los slots de Figma. Antes, para reutilizar una card con contenido dinámico, había que crear múltiples componentes o usar un placeholder, lo que generaba componentes basura poco escalables [07:40].
La forma actual es el slot, un feature nativo de Figma que reserva un espacio para insertar texto, componentes o lo que quieras sin romper las instancias ni perder conexiones valiosas [08:30].
El problema es que la IA construyó todo con la versión antigua y tediosa. Creó 16 variaciones de cards y 16 de tabs, además de subcomponentes innecesarios, y lo defendió como si fuera una limitante inevitable de Figma [09:20].
Aquí aparece el segundo filtro. Cuando la IA te dice algo con total seguridad, afirmando que es la única forma posible, es justo cuando más debes dudar [10:20]. La causa real: la documentación del MCP de Figma que usaba estaba obsoleta. Al actualizarla, el error se corrigió.
¿Por qué los números correctos no garantizan un resultado bien hecho?
El tercer caso es el más visual. Probando el botón, cada chequeo marcaba todo perfecto: paddings correctos, íconos exactos, medidas precisas y el label usando lo que define el design system [11:40].
Pero al abrir Figma, había fallas evidentes. Espacios desiguales entre el ícono y el texto "Publicar cambios", y una variante focus sin el borde que indica navegación por teclado, aunque en el papel decía que sí estaba [12:40].
Esto pasó en cuatro de cinco componentes probados: los datos se veían correctos, pero visualmente no lo eran. De ahí el tercer filtro: ¿lo viste o simplemente me lo estás contando? [13:40].
La nueva regla quedó clara: nunca digas que algo está listo sin antes sacarle una foto y mirarla [14:20]. Con esto, la IA empezó a detectar colores hardcodeados que debían ser design tokens, íconos incrustados como SVG en lugar del componente de ícono tipográfico, y otros errores que el equipo había pasado por alto.
¿La IA miente o solo refleja tu contexto?
Raúl es contundente: en ninguno de los casos hubo mentira. La IA reporta sus intenciones como resultados verídicos porque son ciertos dentro del contexto que maneja en ese instante [06:00].
La diferencia con una conversación humana es el tono. Cuando alguien duda, baja la voz o se rasca la cabeza. Esas señales no existen en un LLM, que te da lo que sabe con lo que le otorgas [06:20].
Los tres filtros funcionan para cualquier tarea, no solo diseño:
- Actualizar un documento que quedó con información del pasado.
- Crear un plan de entrenamiento que ignora tu lesión en el tobillo.
- Auditar código, componentes o cualquier resultado generado por IA.
Al final, el proyecto llegó al 80% o 90% en Figma en cuestión de días en lugar de dos meses [16:00]. Lo valioso es que estas reglas nacieron de errores propios, no de copiar las mejores prácticas de otros design systems, sino de lo que funciona para el estilo de trabajo de Platzi.
El aprendizaje de fondo es sobre el rol del diseñador. Nunca nos pagan por el tono ni por detectar mentiras, sino por el criterio para resolver problemas [17:20]. La inteligencia artificial no viene a quitarte la chamba: es un buen compañero para hacer más eficientes esos procesos tediosos.
¿Has descubierto que una IA te dio información obsoleta con total seguridad? Cuéntame en los comentarios cómo lo detectaste.
