01 / Intro
Diseñadora UX/UI

Anto
Bertola

Me gusta entender bien el problema antes de pasar a la solución: usuario, negocio y restricciones. Diseño para que las decisiones queden claras y se puedan sostener en el tiempo.

Anto Bertola
Disponible para
nuevos desafíos
02

Mi trabajo

Volver Mi trabajo Design System agéntico · 1 de 3 2026 · En curso

Cómo construimos un Design System agéntico

Un sistema de diseño pensado para que lo usen tanto las personas como los agentes de IA. En esta primera parte cuento de dónde surgió y cómo lo empezamos.

Design System IA agéntica Tokens Foundations Accesibilidad
01

Contexto

Por acuerdos de confidencialidad, este caso no incluye nombres de empresa ni de productos, ni pantallas del original. Los diagramas son versiones generales del enfoque.

Este año la empresa decidió incorporar IA en todas las áreas para optimizar tiempos y recursos. Con ese enfoque, el equipo de desarrollo construyó productos nuevos en tiempo récord, y el modelo se extendió al resto de la compañía.

Somos un equipo de dos diseñadoras UX/UI, y también nos tocó incorporar la IA a nuestros procesos.

02

El problema

Al revisar los productos nuevos, la velocidad se notaba, pero también algunas inconsistencias: soluciones distintas para un mismo problema, criterios que no se repetían de una pantalla a otra y, visualmente, cuatro productos que costaba leer como parte de una misma familia.

Esas inconsistencias tenían más que ver con el proceso que con la herramienta: cada producto se había construido por separado, y la guía de diseño que la IA tenía para seguir era incompleta y bastante abierta a interpretación. Ante la misma duda, resolvía cada vez a su manera, a veces con más criterio y a veces con menos, y esa variación terminaba visible en la interfaz.

A eso se sumaba una limitación nuestra: somos dos, y no íbamos a poder acompañar todos los desarrollos. Para no convertirnos en un cuello de botella, las decisiones de diseño tenían que quedar escritas con la claridad suficiente para que un agente las siguiera sin que estuviéramos al lado.

Esto marcó una diferencia clara con mi proyecto anterior (el de white label): esta vez no partíamos de un archivo de Figma para ordenar. Los productos ya estaban implementados, y el código era la fuente de verdad.

03

Objetivo

El sistema debía poder usarse tanto por personas como por agentes de IA. Ese era el requisito de partida, y de ahí se desprendían otros objetivos:

  • Que los productos se lean como una familia
  • Que cada uno conserve su identidad
  • Que las reglas estén tan claras que un agente pueda seguirlas sin nosotras
  • Que la accesibilidad venga incluida y no como un parche
04

Cómo lo empezamos

1. Mirar todo junto y registrar lo que encontramos

Con mi lead recorrimos los flujos y pantallas de los cuatro productos, y fuimos registrando en una planilla lo que había que arreglar y lo que no coincidía entre uno y otro.

A esa primera lectura le sumamos una auditoría mucho más extensa, hecha con Claude: componentes, duplicados, contrastes. Haber hecho la nuestra primero nos dio un criterio propio para evaluar si lo que la IA devolvía tenía sentido.

Ese cruce fue también un punto de inflexión para nosotras. Veníamos de mirar la IA con desconfianza, casi como una competencia. Ahí entendimos que el lugar que nos correspondía era otro: el de aportar criterio y marcar dirección, y dejar que la IA hiciera el trabajo mecánico de auditar cientos de pantallas que a mano nos hubiera llevado semanas.

2. Definir las bases antes de tocar un componente

Antes de diseñar un solo botón, acordamos sobre qué principios se iba a apoyar el sistema. Para mí este paso es central en cualquier proyecto, no solo en este: sin orden y una base firme, un sistema se desordena sin que nadie lo note hasta que cuesta demasiado corregirlo. Esos principios son seis, y cada uno responde a un riesgo puntual de trabajar sobre cuatro productos en simultáneo:

  • Coherencia: que el mismo patrón resuelva siempre lo mismo, para que los productos se lean como una familia y no como aplicaciones sueltas
  • Accesibilidad: pensada desde el diseño, no como una revisión de último momento
  • Escalabilidad: que el sistema pueda sumar productos, componentes o tokens sin reescribir lo que ya funciona
  • Consistencia entre productos: distinguir con claridad qué es identidad de cada producto y qué debe ser igual en los cuatro
  • Jerarquía visual: que la interfaz guíe la mirada en pantallas con mucha información, como tablas y filtros
  • Feedback y estados: que el sistema comunique siempre en qué estado está, sin dejar huecos que se noten recién en producción

Definir esto antes nos sirvió para decidir qué priorizar y qué dejar para más adelante. También documentamos estilos y estructuras base, para que cualquier pantalla nueva partiera del mismo lugar.

De ahí salió, además, una regla que sostenemos con firmeza: cuando el valor de un producto no entra en la escala del sistema, se ajusta el producto y no se inventa un valor a medida para acomodarlo. Hacerlo de la otra forma habría significado que, tarde o temprano, cada producto termine con su propia escala, que es justamente lo que queríamos evitar.

3. Tokens: lo que traía del proyecto anterior, ampliado

Retomé el sistema de tokens que había armado en el proyecto anterior. Mantuve lo que ya funcionaba bien —los dos niveles, valores base y uso semántico— y, con lo que había aprendido en el camino, propuse mejoras y amplié bastante el sistema:

  • Más familias de tokens: color, tipografía, radios, espaciado, sombras, movimiento, tamaños, estados y accesibilidad
  • Nombres más claros y consistentes entre sí
  • Un tema por producto, en lugar de un tema por cliente

También documenté reglas propias para crear un token nuevo, decidir dónde aplicarlo y cómo nombrarlo, algo que antes se resolvía caso por caso. Con esas reglas escritas, la decisión ya no depende de quién la tome ese día.

Tema del producto 4 productos, cada uno con su identidad Base valores disponibles colores, tamaños, radios… Semántico para qué se usa cada valor Componentes usan solo lo semántico, nunca un valor suelto Un componente cambia de aspecto según el producto, sin que nadie lo toque. Tema del producto 4 productos, cada uno con su identidad Base valores disponibles colores, tamaños, radios… Semántico para qué se usa cada valor Componentes usan solo lo semántico, nunca un valor suelto Un componente cambia de aspecto según el producto, sin que nadie lo toque.

Versión general de la arquitectura de tokens.

05

En qué nos apoyamos

Para pensar un sistema que también leyeran agentes, tomamos como referencia la serie de artículos Agentic Design Systems, del diseñador de producto Cristian Morales.

De esa serie nos quedamos con una distinción que ya practicábamos y que acá se volvió central. Frente a un componente, quien lo usa se pregunta cómo aplicarlo; quien mantiene el sistema se pregunta si debería existir, o si ya hay otro resolviendo lo mismo. Con personas, ese criterio vive en quien diseña. Con agentes no alcanza: tiene que quedar escrito, porque un agente que no sabe que el componente existe, crea uno nuevo.

De ahí en más, fuimos adaptando cada pieza a lo que necesitábamos, al alcance del proyecto y a lo que podíamos sostener siendo dos personas que no programamos. Cómo lo hicimos es el tema de la parte 2.

06

Dónde estamos

El sistema sigue en construcción y todavía no fue adoptado por los productos. Hoy ya documenta más de 70 componentes y patrones para los cuatro productos en alcance. Estamos en etapa de pruebas de adopción: pulimos componentes y patrones, y sumamos reglas a partir de los errores que encontramos en el camino.

¿Charlamos sobre este proyecto?

Si te interesó cómo encaré este proyecto, escribime o pasá por mi CV.

Volver Mi trabajo Design System agéntico · 2 de 3 2026 · En curso

Un sistema que también leen los agentes

Parte 2. Cómo dejamos el sistema documentado para que un agente pudiera seguirlo sin que estuviéramos nosotras al lado.

Design System IA agéntica Claude React Astro
01

Qué cambia cuando el lector es un agente

Por acuerdos de confidencialidad, este caso no incluye nombres de empresa ni de productos, ni pantallas del original. Los diagramas son versiones generales del enfoque.

Una persona nueva en el equipo puede preguntarle a alguien qué componente usar o si un color corresponde en tal lugar. Un agente no pregunta: resuelve con lo que tiene disponible. Cuando el sistema no le indica algo con claridad, lo decide a su manera, y esa fue la raíz de las soluciones distintas para un mismo problema que describí en la parte 1.

Por eso, para nosotras, "agéntico" significa que cada decisión de diseño quede escrita: qué componente existe, cuándo se usa, cuándo no y qué valor le corresponde en cada caso.

02

Cómo lo armamos

El código es la fuente de verdad. Esta vez el sistema no vive en Figma. La librería de componentes está hecha en React, y el catálogo, donde se ven las variantes, los estados y las reglas de uso, en Astro.

Cada componente tiene su ficha, con la misma estructura siempre. Para qué sirve, cuándo usarlo y cuándo no, cómo se comporta y qué debe cumplir en accesibilidad.

Documentamos también lo que no hay que hacer. No alcanza con una regla suelta: para cada error posible describimos en qué situación aparece, por qué es un problema y qué hacer en su lugar. Esa estructura repetida es la que le permite a un agente aplicar el criterio en un caso nuevo, no solo copiar un ejemplo que ya vio.

Las reglas quedaron escritas. Hay un archivo de instrucciones que el agente lee al empezar a trabajar, con las decisiones que no queremos volver a discutir cada vez.

Skills para las tareas repetitivas. Son pequeñas herramientas que le enseñamos a Claude: auditar tokens, revisar que los componentes se llamen igual en todos lados, mapear qué componente usa a cuál, crear un componente nuevo a partir de un producto real.

Tokens Componentes Reglas escritas Una sola fuente código + documentación Personas catálogo navegable Agentes de IA la misma información Tokens Componentes Reglas escritas Una sola fuente código + documentación Personas catálogo navegable Agentes de IA la misma información

Personas y agentes leen lo mismo. No hay una versión para cada uno.

03

Nuestro rol: dirigir, probar, pulir

Ni mi lead ni yo sabemos programar. Claude escribió el código y las skills. Lo que aportamos nosotras fue el criterio: sabíamos qué había que resolver y de qué forma queríamos que se resolviera.

Cada skill nació de una necesidad concreta. Le explicábamos a Claude qué necesitábamos y cómo, la probábamos, revisábamos dónde fallaba y la ajustábamos. Repetíamos ese ciclo las veces que hicieran falta, hasta que hacía exactamente lo que buscábamos.

04

Por qué no una herramienta cerrada

Al principio probamos con Claude Design, pero no nos sentimos del todo cómodas: teníamos la sensación de que nos iba a atar a una marca en particular. En algún momento también usamos ChatGPT para tareas puntuales.

Por eso construimos el sistema con archivos, reglas y skills pensados para no depender de una herramienta específica. Si en el futuro necesitamos cambiar de IA, lo que hicimos hasta ahora no se pierde.

05

Lo que la IA nos permitió

  • Hacer pruebas mucho más rápido
  • Comparar y validar nuestras decisiones contra otros design systems con una velocidad y un nivel de detalle que antes no teníamos
  • Reorganizar y renombrar tokens masivamente sin romper vínculos ni pisar instancias, algo que a mano exige mucho más control y margen de error
06

Qué tomamos de Morales

De Cristian Morales tomamos la idea de fondo: documentar el sistema para que una IA elija bien qué componente usar, y no solo para que lo tenga a la vista. Ahí conecta con la distinción que mencioné en la parte 1: un Usuario pregunta cómo usar algo, un Mantenedor pregunta si eso debería existir o ya hay algo igual en otro lado.

De esa idea salió, por ejemplo, el mapa de relaciones entre componentes. No se queda en qué usa a qué de forma directa: sigue la cadena completa. Así evita que se dé de baja un componente que sigue en uso, aunque esté varios niveles adentro de otro y no se vea a simple vista.

El resto lo fuimos resolviendo nosotras, según lo que necesitábamos y lo que podíamos mantener con nuestros propios recursos.

¿Charlamos sobre este proyecto?

Si te interesó cómo encaré este proyecto, escribime o pasá por mi CV.

Volver Mi trabajo Design System agéntico · 3 de 3 2026 · En curso

Accesibilidad, criterio y lo que aprendí

Parte 3. Hincapié en accesibilidad, cómo evitamos que el sistema se desvíe y lo que me llevo de este año trabajando con IA.

Accesibilidad Gobernanza IA agéntica Design System
01

Accesibilidad, esta vez a fondo

Por acuerdos de confidencialidad, este caso no incluye nombres de empresa ni de productos, ni pantallas del original.

En proyectos anteriores nos limitábamos al contraste y a no depender solo del color: era lo que podíamos controlar en ese momento. Para mí, llevarla más lejos era importante: la considero una parte necesaria de cualquier producto digital, no un extra. Esta fue la primera vez que pudimos hacerlo a este nivel:

  • Contraste: validado en las relaciones que más importan: texto sobre fondo, íconos, bordes, foco, estados deshabilitados y feedback
  • Estados: que no se comunican solo con color, sino también con texto, íconos o forma
  • Foco: siempre visible para quien navega con teclado
  • Áreas táctiles: con un mínimo definido, sin estirar de más los controles que ya son cómodos
  • Movimiento reducido: para quienes lo configuran en su dispositivo
  • Lectores de pantalla: todo botón que es solo un ícono lleva un nombre accesible y un tooltip que dicen lo mismo

Y algo que para mí fue clave: la accesibilidad quedó implementada en el propio componente, además de documentada. Así, un agente que use el componente la recibe de forma automática, sin depender de que se acuerde de aplicarla.

02

Cada error se vuelve una regla

Hoy estamos en una etapa de refinamiento: hacemos pruebas de adopción para controlar qué tan bien la IA entiende la librería y los lineamientos del sistema cuando tiene que rediseñar una pantalla real. Validamos que las pantallas, los flujos y los componentes se vean y se naveguen como los planeamos, y aprovechamos para revisar cómo interactúan los elementos entre sí.

Cuando algo no funciona, corregimos en el nivel que corresponda: un token, un componente, un patrón, una regla o la documentación, y no solo en la pantalla de prueba, para no repetir el mismo error más adelante. Estas pruebas también nos muestran casos que no habíamos contemplado antes, como un estado que faltaba o la necesidad de un layout distinto. Es también donde más aprendemos: esta etapa nos permite detectar errores propios a tiempo, antes de que el sistema pase a producción.

Tratamos de que cada pieza del sistema tenga su por qué, su cómo, su cuándo y su dónde, y sobre todo que sea reutilizable. Y hay algo de fondo en lo que insisto bastante: cuando el valor de un producto no entra en el sistema, se adapta el producto y no el sistema. Cuesta más en el corto plazo, pero es lo que mantiene a los productos como una familia.

03

Aprendizajes personales

Con este proyecto, y con un par más chicos que hicimos en paralelo, aprendí a usar la IA a mi favor. Al principio tuve cierto recelo: la sentía avanzar muy rápido y me costaba encontrar el ritmo para subirme. Pero una vez que empecé a usarla y entendí su potencial, aprendí rápidamente.

  • La IA ejecuta con velocidad, pero el criterio sigue siendo mío: saber qué vale la pena construir y por qué
  • Un sistema construido así también escala los errores que se le dejan. Por eso las bases bien definidas al principio valieron tanto
  • Definir fundamentos, arquitectura y una nomenclatura ordenada de tokens no es un detalle menor: es lo que me permitió priorizar, decir que no cuando hacía falta, y que el proyecto se sostenga en el tiempo
  • Pude trabajar los tokens, la accesibilidad y la comparación con otros sistemas a un nivel que antes no hubiera alcanzado sin IA
04

Qué sigue

Hoy el sistema cubre cuatro productos, con más de 70 componentes y patrones documentados. Seguimos en la etapa de refinamiento; sumando y puliendo lo que las pruebas de adopción van dejando a la vista.

¿Charlamos sobre este proyecto?

Si te interesó cómo encaré este proyecto, escribime o pasá por mi CV.

Proyecto relacionado Sistema de diseño white label
Volver Mi trabajo Design System White-Label 2025

Design System escalable para producto white label

Cómo pasamos de valores fijos a un sistema basado en reglas, abstracción y tokens para soportar múltiples marcas sin rehacer el producto.

Design System White-label Tokens Figma Variables Accesibilidad
01

Contexto

Por acuerdos de confidencialidad, este caso presenta una versión generalizada del enfoque y no incluye información ni pantallas del producto original.

Como parte de un equipo reducido de UX/UI (2 diseñadoras), impulsé la creación de un sistema de diseño para soportar la evolución del producto hacia un modelo multi-marca. En colaboración con mi lead, definimos una base escalable que permite adaptar la identidad visual y los módulos funcionales a distintos clientes sin rehacer el producto desde cero.

02

El problema

El producto comenzó para un cliente en particular, pero pronto necesitó escalar hacia un modelo white label, donde cada cliente pudiera tener su propia identidad visual.

Esto dio lugar a 2 problemas principales:

1. La UI base estaba construida sobre un primario azul, que funcionaba perfecto sobre blanco. Pero cuando empezaron a llegar clientes con identidades más claras o más oscuras, la interfaz fallaba por no generar el contraste suficiente. El problema no era solo estético, sino de usabilidad, accesibilidad y escalabilidad. Y lo más importante, cada nuevo cliente implicaba ajustes manuales.

2. Cada customización para un cliente implicaba un nuevo archivo de Figma, lo que complicaba el versionado y generaba inconsistencias frecuentes.

03

Objetivo

El objetivo entonces estaba en diseñar un sistema que permitiera:

  • Adaptar la identidad visual a múltiples marcas
  • Garantizar contraste y accesibilidad en todos los casos
  • Evitar rehacer la UI por cada cliente
  • Mantener consistencia entre implementaciones
04

La solución

Comenzamos realizando una auditoría de nuestros archivos y UI kit, y descubrimos que el problema no era "qué color usar", sino que todo estaba pensado con valores fijos. Por eso, replantamos el sistema para pasarlo de un enfoque estático a uno basado en reglas, abstracción y escalabilidad.

Continuamos con la definición de reglas base y fuimos construyendo progresivamente el sistema:

1. Separar lo "core" de lo "brand"

En lugar de depender completamente del color de marca, definimos dos capas:

Core (compartido):

  • colores neutros
  • estados de feedback (error, success, warning)
  • reglas de contraste

Brand (variable):

  • colores primarios y secundarios
  • identidad visual del cliente

Esto permitió que gran parte de lo crítico para la usabilidad dejara de depender de cada marca.

2. Ampliar la paleta con intención

En vez de un único primario, diseñamos escalas completas de color:

  • múltiples tonos (claros y oscuros)
  • variantes pensadas para diferentes usos (fondos, textos, bordes)

Esto nos facilitó adaptarnos a cualquier identidad visual y que siempre hubiera combinaciones accesibles disponibles.

3. Implementar modos con variables en Figma y tokenizar componentes

Aprovechando variables y modos en Figma, cada cliente se configuraba como un conjunto de tokens de color, tamaño, espaciado y radio. También los componentes dejaron de depender de valores fijos y pasaron a depender de estos tokens.

Esto solucionó el problema de los archivos múltiples en Figma y cambió completamente el flujo de trabajo: Diseñamos sobre una "marca base" y con pocos clics podemos cambiar a cualquier cliente.

Tokens Componentes Modos Marca Primitivos Alias (semánticos) Neutros y feedback Botón primario Guardar Tarjeta Campo de input Escribe aquí… Modo Cliente A Modo Cliente B Modo Cliente C Modo Cliente D Valores base y semánticos, con significado. Componentes hechos con tokens. Sin colores fijos. Cada modo redefine los tokens para adaptarse a la marca. Misma estructura, distinta identidad. Tokens Primitivos Alias (semánticos) Neutros y feedback Valores base y semánticos, con significado. Componentes Botón primario Guardar Campo de input Escribe aquí… Tarjeta Componentes hechos con tokens. Sin colores fijos. Modos Modo Cliente A Modo Cliente B Modo Cliente C Modo Cliente D Cada modo redefine los tokens para adaptarse a la marca. Marca Misma estructura, distinta identidad.

Del token a la marca: cada modo redefine los mismos componentes.

4. Evolución del sistema de tokens

El camino no fue lineal. Primero intentamos trabajar con tokens directos, pero rápidamente se volvió difícil de escalar.

Después probamos con un sistema de tres niveles (primitivos, alias y componentes). En teoría era más robusto, pero resultó demasiado complejo para el momento del producto.

Finalmente, optamos por un sistema de dos niveles:

  • primitivos (valores base)
  • alias (uso semántico)

Esto nos dio el balance justo entre flexibilidad y mantenibilidad. A futuro probablemente incorporemos el tercer nivel, pero hoy este modelo es el que mejor responde a nuestras necesidades.

05

Impacto

El nuevo Design System sentó las bases para una evolución más sostenible del producto y permitió:

  • Reducir la duplicación de interfaces
  • Mayor velocidad para diseñar y adaptar nuevas marcas
  • Mejorar la accesibilidad con contrastes controlados
  • Mejorar la consistencia entre implementaciones
  • Facilitar la colaboración con desarrollo
Antes Después Cliente A archivo.fig Cliente B archivo.fig Cliente C archivo.fig Cliente D archivo.fig Design System un solo archivo Modo Cliente A Modo Cliente B Modo Cliente C Modo Cliente D Antes Cliente A archivo.fig Cliente B archivo.fig Cliente C archivo.fig Cliente D archivo.fig Después Design System un solo archivo Modo Cliente A Modo Cliente B Modo Cliente C Modo Cliente D

Antes, un archivo por cliente. Después, un sistema con un modo por cliente.

06

Aprendizajes personales

  • Diseñar sistemas implica tomar decisiones que van más allá de lo visual
  • No siempre la solución "correcta" (como un sistema de tokens más complejo) es la más adecuada para el proyecto
  • Las herramientas (como variables en Figma) requieren no solo aprendizaje técnico, sino conceptual
  • Definir qué abstraer, cómo nombrarlo y hasta dónde escalar fue uno de los mayores desafíos del proceso
¿Charlamos sobre este proyecto?

Si te interesó cómo encaré este proyecto, escribime o pasá por mi CV.