Durante los últimos meses, mientras analizaba implementaciones de inteligencia artificial en empresas e instituciones, empecé a detectar un patrón que se repetía con demasiada frecuencia.
Los sistemas respondían rápido. En muchos casos, la información era técnicamente correcta. Las frases estaban bien construidas, no había errores ortográficos evidentes y la conversación, al menos en apariencia, funcionaba.
Sin embargo, cuando uno observaba la interacción con un poco más de profundidad, aparecía un problema: la persona no siempre comprendía qué debía hacer con esa respuesta.
A veces faltaba un requisito indispensable. En otros casos, la explicación utilizaba términos que solamente entendía alguien familiarizado con el procedimiento. También encontré respuestas que parecían completamente seguras, aunque el sistema no contaba con información suficiente para sostener esa certeza.
La inteligencia artificial había contestado. El usuario seguía sin tener resuelto su problema.
Esa diferencia, que puede parecer menor, es mucho más importante de lo que imaginamos.
Hoy, una enorme cantidad de organizaciones mide el rendimiento de sus sistemas de IA a partir de indicadores como el tiempo de respuesta, la cantidad de consultas automatizadas, el porcentaje de resolución o la reducción de costos operativos. Todas esas métricas son valiosas, pero dejan afuera una pregunta central:
¿La persona realmente entendió lo que la inteligencia artificial le explicó?
Con el paso de los meses, esta pregunta empezó a aparecer en casi todos los proyectos que analizaba. No importaba demasiado si se trataba de un chatbot de atención al cliente, un agente interno para empleados, un asistente comercial o una herramienta que respondía consultas sobre documentación. El problema era similar: los sistemas estaban siendo evaluados por su capacidad para producir respuestas, pero no necesariamente por su capacidad para comunicar información útil.
A partir de esa observación desarrollé la Matriz de Claridad para Sistemas de Inteligencia Artificial (MCSIA), una metodología pensada para evaluar la calidad comunicacional de las interacciones entre sistemas de IA y personas.
La idea es sencilla: una respuesta no debería considerarse buena solamente porque está bien redactada o porque contiene información verdadera. También debe permitir que la persona comprenda la situación, conozca las limitaciones del sistema, tome una decisión y sepa cómo continuar.
La diferencia entre responder y resolver
Uno de los errores más comunes en la implementación de inteligencia artificial consiste en confundir una respuesta generada con una consulta resuelta.
Supongamos que una persona utiliza el asistente virtual de una institución para preguntar cómo obtener un certificado. El sistema responde:
Para solicitarlo deberá ingresar al portal institucional, validar sus datos y esperar la confirmación correspondiente por los medios declarados.
La respuesta suena formal, ordenada y profesional. Incluso podría ser correcta desde el punto de vista administrativo.
Ahora bien, ¿cuál es el portal institucional? ¿Qué datos debe validar? ¿Cuánto tiempo tarda la confirmación? ¿Qué significa “medios declarados”? ¿Qué debe hacer si el certificado nunca llega?
La respuesta existe, pero la solución no.
Es similar a preguntarle a alguien cómo llegar a un lugar y recibir como indicación: “Tenés que tomar el camino correcto hasta llegar a destino”. La frase no contiene necesariamente una mentira, aunque tampoco aporta la información necesaria para actuar.
En los sistemas de inteligencia artificial, este tipo de falla puede quedar disimulada porque las respuestas suelen tener una estructura convincente. El lenguaje es fluido, la redacción parece segura y el sistema rara vez muestra dudas de la misma manera en que lo haría una persona.
Eso genera una especie de ilusión de calidad: como la respuesta está bien escrita, asumimos que también está bien comunicada.
No siempre es así.
Una respuesta correcta también puede ser peligrosa
La falta de claridad no produce únicamente molestias o nuevas consultas. Dependiendo del contexto, también puede provocar decisiones incorrectas.
En un comercio electrónico, una respuesta ambigua sobre una devolución puede generar una mala experiencia. En recursos humanos, la omisión de una condición sobre una licencia puede causar un problema administrativo. En un sistema financiero, una explicación incompleta sobre vencimientos o costos puede tener consecuencias económicas.
Cuando la interacción ocurre en ámbitos como salud, servicios públicos o asesoramiento jurídico, el riesgo aumenta todavía más.
Imaginemos que una persona consulta si debe realizar un trámite urgente. El sistema ofrece información general, pero no aclara que existe una excepción aplicable a su caso. La respuesta puede ser verdadera en términos generales y, al mismo tiempo, conducir a una acción equivocada.
Por eso, la calidad comunicacional de una IA no puede reducirse a evaluar si el texto contiene datos falsos. También debemos analizar qué información falta, qué interpretación puede hacer el usuario y qué consecuencias podría producir esa interpretación.
En otras palabras, una respuesta puede fallar por lo que dice, pero también por lo que omite.
El problema de la falsa seguridad
Otro patrón que observé con frecuencia durante estos meses fue la dificultad de muchos sistemas para comunicar incertidumbre.
Cuando una persona no está segura de algo, suele expresarlo de distintas maneras: “creo que”, “no tengo toda la información”, “tendríamos que verificarlo” o “puede depender de esta condición”.
Los modelos de inteligencia artificial, en cambio, pueden presentar una inferencia como si fuera un hecho confirmado. La explicación suena coherente, está bien desarrollada y mantiene un tono de autoridad que lleva al usuario a confiar en ella.
El inconveniente no está solamente en que el sistema pueda equivocarse. Cualquier sistema, humano o automatizado, puede cometer errores. El verdadero riesgo aparece cuando la persona no tiene elementos para distinguir entre una respuesta confirmada, una estimación y una recomendación que debería ser validada.
Pensemos en la IA como un GPS. No alcanza con que indique una ruta; también debería advertir cuando la información del tránsito está desactualizada, cuando existe una calle cerrada o cuando no puede confirmar las condiciones del camino.
Si el GPS desconoce esas limitaciones y aun así habla con total seguridad, el conductor no tiene forma de ajustar su decisión.
Con la inteligencia artificial ocurre algo parecido: cuanto más natural parece la conversación, más importante se vuelve explicar qué sabe el sistema, qué está infiriendo y cuándo resulta necesaria la intervención de una persona.
La claridad no es solamente escribir sencillo
Cuando hablamos de claridad, muchas veces pensamos en acortar textos, evitar tecnicismos o utilizar frases fáciles de leer. Todo eso ayuda, pero el problema es bastante más amplio.
Una respuesta puede estar escrita con palabras simples y seguir siendo insuficiente.
Por ejemplo:
Tu solicitud está siendo procesada. Recibirás novedades próximamente.
La frase es fácil de comprender, aunque no informa cuánto puede demorar el proceso, por qué canal llegará la respuesta ni qué debe hacer el usuario si el plazo se extiende.
La claridad, entonces, no depende únicamente del lenguaje. También incluye la precisión, el contexto, la transparencia, la accesibilidad y la orientación hacia una acción concreta.
Una buena comunicación debería permitirle a la persona responder preguntas básicas:
¿Qué significa esta información?
¿Se aplica realmente a mi situación?
¿Qué tan segura es la respuesta?
¿Necesito validar algo con una persona?
¿Qué debo hacer ahora?
Si el sistema no logra responder estas preguntas, puede producir textos excelentes desde el punto de vista lingüístico y, aun así, fracasar en su función principal.
De una observación recurrente a una metodología
Al encontrar estos problemas de manera repetida, entendí que no alcanzaba con señalarlos de forma aislada.
Decir que una respuesta “no es clara” puede servir como primera impresión, pero resulta insuficiente para mejorar un sistema. La organización necesita saber dónde está el problema, qué nivel de riesgo representa y qué cambio debería implementar.
También necesita comparar resultados.
Si se modifica el prompt, se actualiza la base de conocimiento o se incorporan nuevas reglas de derivación, ¿cómo podemos saber si la comunicación realmente mejoró?
Para responder estas preguntas, era necesario convertir la claridad en algo observable.
Ese fue el punto de partida de la Matriz de Claridad para Sistemas de Inteligencia Artificial: transformar conceptos que suelen considerarse subjetivos en criterios concretos de evaluación.
Por ejemplo, podemos observar si la respuesta presenta primero la información más importante, si incluye los requisitos necesarios, si diferencia hechos de estimaciones, si explica los términos técnicos y si indica cuál es el siguiente paso.
Cada uno de esos elementos puede evaluarse, puntuarse y documentarse.
La matriz no busca decidir si un texto “suena lindo”. Su propósito es determinar si la comunicación cumple su función.
¿Qué es la Matriz de Claridad para Sistemas de Inteligencia Artificial?
La Matriz de Claridad para Sistemas de Inteligencia Artificial es un instrumento de análisis diseñado para evaluar cómo comunican información los sistemas automatizados que interactúan con personas mediante lenguaje natural.
Puede aplicarse a chatbots, asistentes virtuales, buscadores generativos, agentes internos, interfaces de voz y herramientas que generan o transforman información.
Su objetivo es detectar respuestas ambiguas, incompletas o difíciles de comprender antes de que esos problemas terminen generando reclamos, errores operativos o decisiones incorrectas.
La metodología analiza cinco dimensiones:
Comprensión del mensaje: determina si la persona puede entender la respuesta de manera rápida y sin realizar un esfuerzo innecesario.
Precisión y suficiencia: evalúa si la información es correcta y si contiene todo lo necesario para resolver la consulta.
Transparencia: analiza si el usuario comprende que está interactuando con un sistema automatizado, cuáles son sus límites y cuándo una respuesta requiere validación.
Accesibilidad: observa si la interacción puede ser utilizada por personas con diferentes conocimientos, capacidades y niveles de experiencia digital.
Orientación a la acción: determina si la respuesta explica claramente qué debe hacer la persona después.
Estas dimensiones están conectadas entre sí, aunque no son equivalentes.
Una respuesta puede ser comprensible, pero incompleta. Puede ser precisa, pero demasiado técnica. También puede brindar instrucciones claras y, al mismo tiempo, ocultar que fueron generadas a partir de información incierta.
Por eso, evaluar una única característica nunca resulta suficiente.
¿Para qué puede utilizarse?
La matriz puede utilizarse antes de lanzar un sistema de inteligencia artificial, durante una prueba piloto o como parte de una auditoría periódica. También permite analizar una herramienta que ya está en funcionamiento cuando comienzan a aparecer reclamos, repreguntas o derivaciones constantes hacia operadores humanos.
Su aplicación no está limitada a un tipo específico de organización.
En atención al cliente, permite revisar si el chatbot realmente resuelve las consultas. En recursos humanos, puede utilizarse para evaluar respuestas sobre licencias, beneficios o políticas internas. En organismos públicos, ayuda a detectar explicaciones confusas sobre trámites y documentación.
También puede aplicarse en educación, servicios financieros, comercio electrónico, soporte técnico y sistemas internos de conocimiento.
Incluso resulta útil para evaluar proveedores. Una organización puede comparar diferentes soluciones de IA utilizando los mismos criterios, en lugar de basarse únicamente en demostraciones preparadas o promesas comerciales.
Su foco es específico: evaluar la calidad comunicacional de la interacción entre la inteligencia artificial y la persona.
Esto resulta importante porque muchos riesgos no aparecen en el modelo de manera aislada, sino en la combinación entre la información, la forma de presentarla y la interpretación que realiza el usuario.
Una organización puede tener un sistema técnicamente robusto y seguir comunicándose mal. Del mismo modo, puede utilizar un modelo avanzado y generar respuestas que no permiten actuar.
La tecnología puede funcionar perfectamente mientras la experiencia de la persona fracasa.
Medir la claridad para poder mejorarla
Durante años, las organizaciones se acostumbraron a medir tiempos de atención, niveles de satisfacción y cantidad de consultas resueltas. Con la incorporación de inteligencia artificial, necesitamos sumar una capa nueva a ese análisis.
No alcanza con saber cuántas respuestas produjo el sistema. Necesitamos entender qué tan útiles fueron esas respuestas.
La claridad puede medirse mediante muestras de interacciones reales, indicadores observables y escalas de puntuación. A partir de esa información, es posible identificar patrones, priorizar riesgos y diseñar mejoras concretas.
Quizás el problema esté en la forma en que se construyeron los prompts. Tal vez la base documental esté desactualizada o desorganizada. También puede ocurrir que el sistema necesite hacer preguntas antes de responder, reconocer mejor sus límites o derivar determinados casos hacia una persona.
La matriz no parte de la idea de que toda respuesta debe ser más corta. A veces, una explicación necesita mayor profundidad. Tampoco supone que el lenguaje técnico siempre sea negativo: en ciertos contextos, es indispensable.
La pregunta central es otra:
¿Esta respuesta contiene la información adecuada, presentada de una forma que le permita a esta persona comprender y actuar correctamente?
A partir de esa pregunta, la claridad deja de ser una percepción general y se convierte en una variable que puede evaluarse, compararse y mejorarse.
En la próxima parte voy a desarrollar las cinco dimensiones de la matriz y explicar qué indicadores permiten detectar con precisión cuándo una respuesta de inteligencia artificial está comunicando bien y cuándo solamente parece hacerlo.
Las cinco dimensiones que permiten evaluar la claridad de una inteligencia artificial
Para analizar la comunicación de un sistema de inteligencia artificial no alcanza con leer una respuesta aislada y decidir si “suena bien”. Hace falta separar el problema en dimensiones más concretas, porque una misma interacción puede funcionar correctamente en un aspecto y fallar por completo en otro.
Una respuesta, por ejemplo, puede ser fácil de leer, pero estar incompleta. También puede incluir todos los datos necesarios y presentarlos de una manera tan desordenada que el usuario no logre identificar qué debe hacer. Incluso podría orientar correctamente una acción sin aclarar que la información necesita ser validada por una persona.
Por ese motivo, la Matriz de Claridad analiza cinco dimensiones diferentes: comprensión, precisión y suficiencia, transparencia, accesibilidad y orientación a la acción.
Cada dimensión responde una pregunta específica. En conjunto, permiten construir una mirada integral sobre la calidad comunicacional del sistema.
Primera dimensión: ¿la persona comprende realmente el mensaje?
La primera dimensión evalúa la comprensión del mensaje.
Parece el punto más sencillo, pero suele ser uno de los que presenta más problemas. Los sistemas de inteligencia artificial pueden generar respuestas gramaticalmente correctas y, aun así, exigirle al usuario un esfuerzo innecesario para comprenderlas.
En muchos casos, la dificultad aparece porque el sistema reproduce el lenguaje de los documentos que utiliza como fuente. Si una organización cargó reglamentos, manuales internos, resoluciones o procedimientos administrativos, el asistente puede terminar respondiendo con el mismo nivel de complejidad con el que fueron redactados esos materiales.
El resultado es técnicamente consistente con la documentación original, aunque poco útil para quien necesita resolver una consulta cotidiana.
Supongamos que una persona pregunta:
¿Puedo cambiar la fecha de mi turno?
El asistente responde:
La modificación de la fecha asignada estará sujeta a la disponibilidad operativa existente y deberá gestionarse mediante los canales habilitados para la reprogramación correspondiente.
La frase está bien construida, pero obliga al usuario a traducir mentalmente el mensaje. Una respuesta clara podría decir:
Sí. Podés cambiar la fecha desde la sección “Mis turnos”, siempre que haya otro horario disponible.
La información central es prácticamente la misma. Lo que cambia es la capacidad de la persona para comprenderla y utilizarla.
Qué observa esta dimensión
Para evaluar la comprensión, la matriz analiza si:
- La idea principal aparece al comienzo de la respuesta.
- El lenguaje corresponde al perfil de la persona destinataria.
- Las oraciones son claras y tienen una extensión razonable.
- Los términos técnicos se explican cuando resultan necesarios.
- La información sigue un orden lógico.
- No aparecen frases ambiguas o con múltiples interpretaciones.
- La extensión es proporcional a la consulta.
- Los pasos, requisitos y alternativas se encuentran diferenciados.
- La respuesta no presenta información secundaria antes de resolver la pregunta principal.
- El mensaje puede comprenderse con una sola lectura.
Este último punto es especialmente relevante.
Cuando una persona debe releer varias veces una respuesta para entenderla, existe un problema de diseño comunicacional. Puede ocurrir que el sistema tenga la información correcta, pero la esté presentando de una manera que traslada todo el esfuerzo de interpretación hacia el usuario.
Una buena respuesta funciona como una señal de tránsito: debe permitir comprender lo importante con rapidez. Si una persona necesita detenerse, interpretar un párrafo extenso y deducir qué quiso decir el sistema, la comunicación perdió efectividad.
Preguntas que debe hacerse el evaluador
Al analizar esta dimensión, conviene preguntarse:
- ¿La persona entiende inmediatamente la respuesta?
- ¿La idea principal está claramente identificada?
- ¿Existen palabras o expresiones que podrían interpretarse de distintas maneras?
- ¿El sistema utiliza lenguaje técnico sin necesidad?
- ¿La respuesta es más extensa de lo que requiere la consulta?
- ¿La estructura facilita la lectura o la vuelve más difícil?
La evaluación debe realizarse desde la perspectiva del usuario real, no desde la mirada del equipo que diseñó el sistema.
Una expresión puede resultar evidente para quien trabaja todos los días dentro de una organización y ser completamente desconocida para una persona que realiza el trámite por primera vez.
Qué ocurre cuando falla la comprensión
Cuando esta dimensión obtiene una puntuación baja, suelen aparecer repreguntas, abandonos y derivaciones innecesarias hacia operadores humanos.
También puede aumentar el número de errores. Una persona que interpreta mal una instrucción puede completar un formulario incorrectamente, enviar documentación incompleta o dirigirse a un canal equivocado.
En muchos proyectos, las organizaciones intentan resolver estos problemas incorporando más información. Sin embargo, agregar texto no siempre mejora la claridad. A veces produce exactamente lo contrario.
La solución puede estar en reorganizar la respuesta, simplificar el lenguaje, destacar la idea principal o dividir el procedimiento en pasos.
Segunda dimensión: ¿la información es precisa y suficiente?
Comprender una respuesta no garantiza que esa respuesta permita resolver el problema.
Una persona puede entender perfectamente el mensaje y, aun así, recibir información incompleta.
Por eso, la segunda dimensión analiza la precisión y suficiencia de la información.
La precisión se refiere a que los datos ofrecidos sean correctos y coincidan con fuentes autorizadas. La suficiencia, en cambio, evalúa si la respuesta incluye todo lo necesario para que la persona pueda tomar una decisión adecuada.
Esta diferencia es central.
Imaginemos que alguien pregunta qué documentación necesita para realizar un trámite y el sistema responde:
Debés presentar tu documento de identidad.
La información puede ser verdadera, pero si también se necesita un comprobante de domicilio, una constancia específica o el pago previo de una tasa, la respuesta es insuficiente.
No contiene necesariamente un dato falso. El riesgo aparece por la omisión.
La verdad parcial también puede generar errores
En los sistemas de IA, solemos concentrarnos en detectar alucinaciones o afirmaciones inventadas. Es un problema importante, aunque no es el único.
Una respuesta parcialmente correcta puede resultar igual de perjudicial si deja afuera una condición que cambia la decisión del usuario.
Por ejemplo:
Las devoluciones pueden realizarse dentro de los 30 días.
La afirmación podría ser correcta para una categoría de productos, pero no para artículos personalizados, productos abiertos o compras realizadas bajo determinadas condiciones.
Cuando el sistema no comunica esas excepciones, la persona construye su decisión a partir de una regla incompleta.
Es como entregar un mapa donde aparecen las calles principales, pero no figura que el puente central está cerrado. El mapa tiene información verdadera; aun así, puede llevar al conductor por un camino que no le permite llegar.
Qué observa esta dimensión
La matriz analiza si:
- La información coincide con fuentes autorizadas.
- No existen contradicciones dentro de la respuesta.
- Se incluyen todos los requisitos necesarios.
- Se informan las condiciones y excepciones aplicables.
- Se indican plazos cuando corresponde.
- Se diferencia entre información confirmada y estimaciones.
- La respuesta considera el contexto concreto de la consulta.
- No se presentan afirmaciones sin respaldo.
- Los pasos ofrecidos están completos.
- Se aclara cuándo la información puede estar desactualizada.
Este último indicador adquiere cada vez más importancia.
Muchas herramientas responden utilizando bases documentales que no siempre se actualizan al mismo ritmo que los procedimientos de la organización. El sistema puede estar funcionando correctamente desde el punto de vista técnico y, al mismo tiempo, recuperar una política que dejó de estar vigente.
Por eso, una buena implementación necesita definir quién actualiza las fuentes, con qué frecuencia se revisan y qué ocurre cuando existen documentos contradictorios.
Diferenciar hechos, inferencias y recomendaciones
Uno de los problemas que más afecta esta dimensión es la mezcla entre información confirmada e interpretación.
Un sistema puede afirmar:
Tu solicitud será aprobada dentro de las próximas 48 horas.
Sin embargo, tal vez la única información disponible indique que el proceso suele demorar ese tiempo. En ese caso, la respuesta correcta debería comunicar la diferencia:
La revisión suele demorar hasta 48 horas, aunque la aprobación depende de que la documentación esté completa.
El primer mensaje presenta una garantía. El segundo informa un plazo estimado y explica la condición.
Ese pequeño cambio modifica la expectativa del usuario y reduce el riesgo de una interpretación incorrecta.
Preguntas que debe hacerse el evaluador
Para analizar la precisión y suficiencia, conviene revisar:
- ¿La respuesta contiene toda la información necesaria?
- ¿Una omisión podría provocar que la persona tome una decisión equivocada?
- ¿Se indican requisitos, condiciones y excepciones?
- ¿La información proviene de una fuente autorizada?
- ¿El sistema diferencia hechos, inferencias y recomendaciones?
- ¿Existen casos particulares que deberían comunicarse?
En esta dimensión, el evaluador debe observar tanto lo que aparece en la respuesta como aquello que debería estar y no fue incluido.
Qué ocurre cuando falla la precisión
Las consecuencias pueden ser mucho más graves que una simple mala experiencia.
Una respuesta incompleta puede provocar incumplimientos, reclamos, pérdidas económicas, afectación de derechos o problemas legales para la organización.
Por eso, cuanto mayor sea el impacto potencial de una decisión, más exigente debe ser la evaluación.
No debería utilizarse el mismo nivel de tolerancia para un asistente que recomienda productos que para un sistema que orienta sobre una prestación médica, un beneficio social o una obligación financiera.
Tercera dimensión: ¿el sistema comunica sus límites?
La tercera dimensión analiza la transparencia sobre el funcionamiento del sistema.
En la práctica, esto significa evaluar si la persona sabe que está interactuando con una inteligencia artificial, comprende qué puede hacer la herramienta y reconoce cuándo una respuesta necesita validación.
La transparencia no exige explicar la arquitectura del modelo, la cantidad de parámetros ni los detalles técnicos del sistema. El usuario no necesita conocer el motor para conducir un automóvil; sí necesita saber qué significan las luces del tablero y cuándo existe un problema.
Con la inteligencia artificial ocurre algo similar.
La persona debería entender la naturaleza de la interacción y contar con información suficiente para decidir cuánto puede confiar en la respuesta.
Cuando una IA parece saber más de lo que realmente sabe
Los sistemas generativos tienen una capacidad notable para producir respuestas coherentes. Esa fluidez puede llevar al usuario a atribuirles un nivel de conocimiento o autoridad mayor al que realmente poseen.
Si un asistente responde con seguridad, utiliza terminología profesional y desarrolla una explicación detallada, la persona puede asumir que la información fue verificada.
Sin embargo, el sistema podría estar generando una inferencia a partir de datos incompletos o desactualizados.
La transparencia busca evitar esa sobreconfianza.
No se trata de llenar cada respuesta de advertencias genéricas que nadie termina leyendo. La información sobre los límites debe aparecer cuando sea relevante para la decisión.
Por ejemplo:
Según la información disponible, este requisito se aplica a solicitudes individuales. Para trámites empresariales, deberías confirmarlo con el área correspondiente.
Esa respuesta sigue siendo útil, pero comunica dónde termina la certeza del sistema.
Qué observa esta dimensión
La matriz evalúa si:
- Se informa que la persona está interactuando con un sistema automatizado.
- Se explica de manera sencilla qué puede hacer la herramienta.
- Se comunican sus principales limitaciones.
- Se advierte cuando una respuesta contiene incertidumbre.
- Se distingue entre una recomendación y una decisión oficial.
- Se indica cuándo la información requiere validación.
- Existe una opción de derivación humana.
- El sistema no intenta presentarse como una persona.
- Se identifica la fuente de la información cuando resulta relevante.
- La organización puede reconstruir o revisar la interacción.
La posibilidad de reconstruir una interacción resulta fundamental para procesos de auditoría y mejora.
Si una respuesta genera un reclamo, la organización debería poder conocer qué preguntó la persona, qué respondió el sistema y qué fuente utilizó para construir el mensaje.
Sin esa trazabilidad, resulta difícil determinar qué falló y evitar que vuelva a ocurrir.
Transparencia sin saturar al usuario
Un error frecuente consiste en convertir la transparencia en una acumulación de avisos legales.
Cuando una persona recibe un bloque extenso de advertencias antes de cada respuesta, probablemente deje de leerlas. La transparencia pierde valor si se transforma en ruido.
La información debe ser proporcional al riesgo.
En una consulta sencilla sobre el horario de atención, puede alcanzar con identificar que se trata de un asistente virtual. En una recomendación financiera, médica o jurídica, será necesario aclarar con mayor precisión las limitaciones y el carácter orientativo de la respuesta.
Preguntas que debe hacerse el evaluador
Al revisar esta dimensión, conviene preguntarse:
- ¿La persona sabe que está interactuando con inteligencia artificial?
- ¿Comprende qué funciones puede realizar el sistema?
- ¿La herramienta comunica cuándo no dispone de suficiente información?
- ¿Queda claro que la respuesta no reemplaza una decisión profesional u oficial?
- ¿Existe un canal para solicitar intervención humana?
- ¿Puede determinarse qué información utilizó el sistema?
Qué ocurre cuando falla la transparencia
La falta de transparencia puede generar sobreconfianza, decisiones tomadas sin validación y dificultades para establecer responsabilidades.
También afecta la relación con el usuario.
Si una persona cree que está hablando con un operador humano y luego descubre que toda la conversación fue automatizada, puede sentir que la organización intentó engañarla, aunque la respuesta haya sido correcta.
La confianza no depende solamente de acertar. También depende de comunicar con honestidad cómo funciona la interacción.
Cuarta dimensión: ¿todas las personas pueden utilizar el sistema?
La cuarta dimensión analiza la accesibilidad de la interacción.
Cuando se habla de accesibilidad digital, muchas veces la discusión se limita al tamaño de las letras, el contraste de colores o la compatibilidad con lectores de pantalla. Todos esos elementos son importantes, pero la accesibilidad comunicacional es más amplia.
También incluye la facilidad para formular una consulta, comprender las instrucciones, recuperarse de un error y encontrar una alternativa cuando el sistema no logra resolver el problema.
Una herramienta puede tener una interfaz visual impecable y seguir siendo inaccesible para una persona que no conoce la terminología que espera el sistema.
El usuario no debería aprender a hablar como la máquina
En un sistema mal diseñado, la persona necesita descubrir qué palabras utilizar para recibir la respuesta adecuada.
Quizás pregunta por una “constancia de trabajo”, pero la organización la denomina “certificación de servicios”. Si el asistente solamente reconoce el nombre formal, la interacción fracasa.
Una inteligencia artificial debería hacer exactamente lo contrario: interpretar diferentes formas de expresar una misma necesidad y acercar el lenguaje institucional al lenguaje cotidiano.
También debería tolerar errores ortográficos, frases incompletas y expresiones informales.
En la vida real, las personas no escriben siempre consultas perfectas. Pueden estar apuradas, utilizar abreviaturas o no saber cómo se llama aquello que necesitan.
La accesibilidad se mide, en buena parte, por la capacidad del sistema para acompañar esas situaciones.
Qué observa esta dimensión
La matriz analiza si:
- El lenguaje puede ser comprendido por personas sin conocimientos especializados.
- Las instrucciones se encuentran divididas en pasos.
- La interfaz mantiene una estructura consistente.
- El sistema tolera errores ortográficos y expresiones informales.
- La persona puede reformular una consulta.
- No se exigen conocimientos técnicos innecesarios.
- Se ofrecen alternativas cuando ocurre un error.
- Los mensajes de error explican cómo continuar.
- Existen otros canales de atención disponibles.
- La presentación visual facilita la lectura.
Los mensajes de error también comunican
Los errores son uno de los mejores lugares para evaluar la accesibilidad de un sistema.
Un mensaje como:
Solicitud inválida. Código 403.
puede tener sentido para un equipo técnico, pero no ayuda a una persona que intenta completar un trámite.
Una respuesta accesible debería explicar qué ocurrió y qué puede hacer el usuario:
No pudimos validar tus datos. Revisá que el número de documento esté completo e intentá nuevamente. Si el problema continúa, podés comunicarte con el equipo de atención.
El sistema sigue informando un error, pero ahora ofrece una salida.
La accesibilidad no significa evitar cualquier dificultad. Significa que, cuando aparece un obstáculo, la persona recibe orientación para superarlo.
Preguntas que debe hacerse el evaluador
En esta dimensión conviene revisar:
- ¿Una persona sin experiencia digital podría utilizar el sistema?
- ¿Las instrucciones se comprenden sin asistencia?
- ¿Qué sucede cuando el usuario escribe mal o utiliza una palabra diferente?
- ¿El sistema ayuda a corregir errores?
- ¿Existen barreras visuales, cognitivas o lingüísticas?
- ¿La persona puede recurrir a otro canal de atención?
Qué ocurre cuando falla la accesibilidad
Una interacción poco accesible excluye usuarios y aumenta la frustración.
También produce un efecto operativo: las personas que no pueden resolver su necesidad mediante el sistema automatizado terminan trasladándose hacia otros canales.
La organización puede creer que automatizó un proceso, aunque en realidad solamente agregó una barrera antes de la atención humana.
Por eso, el porcentaje de interacciones automatizadas nunca debería analizarse de forma aislada. También hay que observar cuántas personas abandonan, repiten la consulta o buscan asistencia por otra vía.
Quinta dimensión: ¿la persona sabe qué debe hacer después?
La última dimensión es la orientación a la acción.
Una respuesta puede ser clara, precisa, transparente y accesible, pero seguir siendo poco útil si no explica cuál es el siguiente paso.
Esta dimensión analiza si la persona puede pasar de la información a la acción.
En algunos casos, el siguiente paso será completar un formulario. En otros, enviar documentación, comunicarse con un área, esperar un plazo o solicitar la intervención de un profesional.
Lo importante es que la respuesta no deje esa decisión librada a la interpretación del usuario.
Informar no siempre significa orientar
Supongamos que una persona pregunta qué debe hacer porque su pago todavía no aparece acreditado.
El sistema responde:
Los pagos pueden experimentar demoras de procesamiento según la entidad bancaria utilizada.
La explicación aporta contexto, aunque no orienta.
Una respuesta más útil sería:
La acreditación puede demorar hasta 48 horas hábiles, según la entidad bancaria. Si realizaste el pago hace menos tiempo, no necesitás hacer nada. Si ya pasaron 48 horas hábiles, enviá el comprobante desde la sección “Ayuda con mi pago”.
Ahora la persona conoce el plazo, entiende qué debe hacer en cada escenario y sabe cuál es el canal correspondiente.
Qué observa esta dimensión
La matriz evalúa si:
- La respuesta identifica una acción concreta.
- Los pasos aparecen en el orden correcto.
- Se indican plazos o fechas relevantes.
- Se informa qué documentación necesita la persona.
- Se identifica el canal, área o responsable.
- Se incluyen enlaces o accesos cuando corresponde.
- Se ofrecen alternativas si la acción principal no puede realizarse.
- Se explica qué ocurrirá después.
- El cierre confirma la acción recomendada.
- No existen instrucciones contradictorias.
La orientación a la acción es uno de los puntos donde mejor puede observarse la diferencia entre responder y resolver.
Una respuesta resuelve cuando reduce la incertidumbre suficiente para que la persona pueda avanzar.
Explicar qué ocurrirá después
Muchas interacciones generan ansiedad porque el usuario no sabe qué sucede luego de completar una acción.
Frases como “enviá la documentación” o “realizá la solicitud” pueden ser correctas, pero quedan incompletas si no explican el paso posterior.
Por ejemplo:
Después de enviar el formulario, recibirás un correo de confirmación. La revisión puede demorar hasta tres días hábiles.
Esa información ayuda a construir una expectativa realista y evita que la persona vuelva a consultar pocas horas después.
Preguntas que debe hacerse el evaluador
Para analizar esta dimensión, conviene revisar:
- ¿La persona sabe exactamente qué debe hacer?
- ¿El siguiente paso está claramente identificado?
- ¿Se informa dónde, cómo y cuándo realizarlo?
- ¿La respuesta permite actuar sin efectuar una nueva consulta?
- ¿Se explica qué ocurrirá después?
- ¿Existen alternativas si la acción principal no puede completarse?
Qué ocurre cuando falla la orientación
La falta de orientación produce inacción, errores de procedimiento y derivaciones incorrectas.
También aumenta el volumen de consultas repetidas.
Cuando una persona recibe información, pero no sabe cómo avanzar, vuelve a preguntar. El problema no está necesariamente en la capacidad del sistema para recuperar datos, sino en la forma en que esos datos fueron convertidos en una instrucción útil.
Las cinco dimensiones deben analizarse en conjunto
Cada dimensión permite observar una parte diferente de la comunicación.
La comprensión indica si el mensaje puede entenderse. La precisión y suficiencia muestran si contiene la información correcta y completa. La transparencia permite valorar adecuadamente la respuesta. La accesibilidad determina si diferentes personas pueden utilizar el sistema. La orientación a la acción evalúa si la interacción ayuda a avanzar.
Separarlas permite encontrar problemas específicos.
Sin embargo, el resultado final depende de cómo funcionan en conjunto.
Pensemos en una respuesta que obtiene una calificación alta en comprensión, accesibilidad y orientación, pero utiliza información desactualizada. La experiencia puede parecer excelente mientras conduce al usuario por un procedimiento que ya no existe.
También puede ocurrir lo contrario: la respuesta contiene información perfectamente actualizada, pero está redactada con lenguaje jurídico, no explica las excepciones y deja al usuario sin saber qué hacer.
En ambos casos, el sistema necesita mejoras.
La matriz permite evitar una evaluación superficial basada en una única impresión. En lugar de concluir que una herramienta “funciona bien”, obliga a precisar en qué aspectos funciona, dónde falla y qué riesgo genera esa falla.
Una respuesta clara debe superar una prueba sencilla
Después de analizar estas cinco dimensiones, podemos resumir la evaluación en una prueba práctica.
Al terminar la interacción, la persona debería poder responder:
- Qué significa la información que recibió.
- Si esa información se aplica a su caso.
- Qué nivel de certeza tiene la respuesta.
- Cuáles son las limitaciones del sistema.
- Qué debe hacer a continuación.
- Qué alternativa existe si no puede completar la acción.
- Cuándo corresponde solicitar ayuda humana.
Cuando alguna de estas respuestas no está clara, existe un punto que la organización debería revisar.
La inteligencia artificial puede tener acceso a miles de documentos, procesar grandes volúmenes de información y responder en pocos segundos. Sin embargo, todo ese potencial pierde valor si la persona termina la conversación más confundida que al comienzo.
El siguiente paso de la metodología consiste en transformar estas cinco dimensiones en una puntuación concreta. Para hacerlo, la matriz utiliza una escala de cinco niveles que permite comparar respuestas, identificar situaciones críticas y medir si las mejoras implementadas producen resultados reales.
