Cómo se ven realmente los mejores productos de agentes

Tiempo estimado de lectura: 6 min

Hace unos meses, Publigent publicó un catálogo de patrones de UX para agentes: ambiental, salida estructurada, integrado e impulsado por notificaciones. La respuesta fue reveladora. La gente asentía con los nombres de los patrones, pero lo que realmente preguntaban era diferente. Querían ver cómo se ve cada patrón en un producto real. Las decisiones de diseño específicas. Los casos límite. Los momentos donde el patrón funcionaba o se desmoronaba.

Este es ese artículo. Sin nombres de patrones como encabezados. Sin frameworks abstractos. Solo cuatro productos, estudiados de cerca, cada uno representando un enfoque distinto a la pregunta de la interfaz de agente.

Caso de estudio 1: El agente que trabaja mientras haces otra cosa

Copilot es el producto que cualquiera que construya UX de agentes debería estudiar primero, no porque sea el más sofisticado, sino porque resolvió el problema de la interfaz antes que nadie.

La decisión central de diseño es que Copilot nunca te pide que hagas nada. Estás escribiendo. Aparece una sugerencia en gris. Presionas Tab para aceptarla o sigues escribiendo para rechazarla. No hay ventana separada. No hay notificación. No hay un «¿quieres que te sugiera algo?». Permanece bajo tu atención hasta que lo necesitas, luego desaparece cuando no. La interacción toma cero segundos si la ignoras y fracciones de segundo si actúas sobre ella.

Este es el patrón ambiental en su forma más pura. El agente trabaja constantemente, generando sugerencias y clasificándolas por probabilidad, pero no muestra nada a menos que haya algo que mostrar. El modelo mental es proceso en segundo plano, no compañero de conversación.

La segunda decisión de diseño que vale la pena notar es cómo Copilot maneja el contexto. Lee el archivo abierto, los imports circundantes, las ediciones recientes. Usa este contexto implícitamente, sin pedirte que describas el problema. Nunca tienes que escribir «escribe una función que tome una lista y devuelva el promedio». Simplemente empiezas a escribir el nombre de la función, y la sugerencia aparece. La recolección de contexto es invisible. El resultado es que Copilot se siente inteligente incluso cuando las sugerencias son incorrectas, porque la inteligencia está en el momento, no solo en la salida.

Copilot también introdujo las sugerencias en línea como un modo de interacción que ahora es el estándar para agentes integrados. La sugerencia aparece en el lugar, donde ya estás trabajando. Aceptas, rechazas o modificas. El ciclo de retroalimentación es inmediato y no cuesta nada. Compáralo con una interfaz de chat, donde debes cambiar de contexto, leer una respuesta, evaluarla y copiar-pegar el resultado de vuelta a tu entorno de trabajo. La sugerencia en línea elimina cada paso entre la salida del agente y el flujo de trabajo del usuario.

La característica que recibe menos atención pero más importa es el indicador de estado de Copilot. Un pequeño icono en la barra de estado muestra si Copilot está activo, procesando o no disponible. Ese único píxel de conciencia es la diferencia entre confiar en el agente y preguntarse si está funcionando. Los usuarios de Copilot desarrollan una intuición de cuándo aparecerán las sugerencias y cuándo no, porque el indicador de estado entrena sus expectativas.

Caso de estudio 2: El agente que entrega artefactos

Gamma es una herramienta de presentaciones que reemplazó su editor de diapositivas con un flujo de generación impulsado por IA. La interfaz es simple: describes lo que quieres, y Gamma produce una presentación con texto, diseño e imágenes. Puedes editar la salida, pero el punto de partida es un artefacto generado en lugar de un lienzo en blanco.

La decisión de diseño que hace a Gamma diferente de un modelo envuelto en chat es que la salida es la interfaz. No obtienes un párrafo describiendo cómo podría verse la presentación. Obtienes la presentación. El trabajo del agente es visible, navegable e inmediatamente utilizable. El punto de fricción en la mayoría de los productos de IA es la traducción de la salida del modelo a trabajo útil: copiar texto, formatearlo, colocarlo en la herramienta correcta. Gamma elimina esa traducción por completo.

Los productos de salida estructurada como Gamma comparten un patrón común: generan en el formato existente del usuario, no en una caja de texto. Un agente que escribe tickets de Jira genera en los campos del ticket, no en un párrafo. Un agente que redacta artículos de blog genera en el editor del CMS, no en una ventana de chat. El artefacto es el entregable. El razonamiento del agente es accesible pero secundario.

Esto importa para la confianza. Cuando un agente genera un párrafo describiendo lo que produciría, el usuario debe evaluar tanto la descripción como la salida imaginada. Cuando el agente produce el artefacto real, la evaluación es inmediata. ¿Está bien esta diapositiva? ¿Captura este ticket los requisitos? El usuario puede juzgar el trabajo directamente en lugar de juzgar un plan para el trabajo.

La tensión en el enfoque de Gamma es que el artefacto también establece expectativas. Una presentación borrador con imágenes de marcador de posición y texto genérico a veces se siente peor que una diapositiva en blanco, porque el usuario debe deshacer antes de poder hacer. El producto maneja esto haciendo que la regeneración sea barata (un clic, un nuevo borrador), lo que cambia la relación del usuario de editar una sola salida a curar un conjunto de opciones.

Caso de estudio 3: El agente que vive donde ya trabajas

Notion AI es el ejemplo más claro del patrón de agente integrado. No es un producto separado ni una superposición de chat. Vive en la misma interfaz que usas para escribir documentos, gestionar proyectos y organizar bases de datos. Cuando seleccionas texto y presionas espacio, aparece un menú con opciones de IA. Cuando escribes en una propiedad de base de datos, la IA sugiere completaciones. Cuando abres una página vacía, la IA ofrece redactar el contenido.

El principio de diseño en juego es que el agente hereda la interfaz en la que vive. Notion AI no tiene su propio lenguaje de diseño. Usa los menús de Notion, la tipografía de Notion, los patrones de interacción de Notion. El usuario nunca siente que dejó su espacio de trabajo para visitar un producto diferente. Esto es más difícil de lo que parece. La mayoría de los agentes integrados terminan luchando contra las convenciones de la interfaz anfitriona en lugar de adoptarlas.

El detalle en Notion AI que vale la pena examinar es la revelación progresiva. Cuando lo usas por primera vez, ves un pequeño conjunto de opciones: resumir, traducir, corregir ortografía, hacer más largo, hacer más corto. Estas son acciones seguras y predecibles. El usuario aprende lo que el agente puede hacer sin sentirse abrumado. A medida que lo usas más, las opciones se expanden. Puedes hacer preguntas personalizadas, generar desde propiedades, crear fórmulas de base de datos. La superficie de capacidad crece con el usuario.

Contrasta esto con productos que muestran el conjunto completo de capacidades el primer día. El usuario ve 30 prompts, 20 plantillas, 7 tipos de agentes e inmediatamente se siente rezagado. Notion AI muestra cinco opciones en un menú desplegable que se siente como una función del editor de texto, no como un producto de IA separado. El umbral para decidir usarlo es de cero segundos. Ya estás escribiendo. Seleccionas. Presionas espacio. La opción está ahí.

La cuestión de deshacer en Notion AI merece estudio. Cada acción de IA en Notion es reversible con Cmd+Z, el mismo deshacer que usas para escribir. Esto es engañosamente difícil de implementar. Las acciones del agente no son equivalentes a inserciones de un solo carácter, pero es esencial para la confianza. Los usuarios experimentan con funciones de IA precisamente porque saben que pueden deshacer el resultado. Los productos que requieren navegar a una interfaz de deshacer separada o confirmar una reversión obtienen menos experimentación y, por lo tanto, menos adopción.

Caso de estudio 4: El agente que viene a ti

Slack no es un producto de agentes, pero es la capa de infraestructura para agentes impulsados por notificaciones. El patrón funciona así: un agente se ejecuta en segundo plano, monitoreando datos o procesando solicitudes. Cuando tiene algo que vale la pena decir, publica un mensaje en un canal de Slack, un DM o un hilo. El usuario lo lee, actúa sobre él o lo ignora. La interacción es asíncrona. El agente inicia cuando tiene valor que añadir, no cuando el usuario pide una actualización.

Las decisiones de diseño que Slack ha tomado para la integración de IA muestran una prioridad clara. Slack AI muestra resúmenes de conversaciones, resúmenes de hilos y resultados de búsqueda dentro de la interfaz existente de Slack. Usa el mismo formato de mensaje, la misma estructura de hilos, el mismo sistema de notificaciones. Un resumen de IA se ve como un mensaje de un miembro del canal. Está formateado de la misma manera, aparece en la misma línea de tiempo y puede ser respondido en el mismo hilo.

Esto es una elección. Slack podría haber creado un panel de IA separado, un widget flotante o una interfaz de bot dedicada. En cambio, eligió hacer que la salida de IA sea indistinguible de la salida humana dentro de la plataforma. El beneficio es el consumo sin fricción. El usuario procesa los mensajes de IA de la misma manera que procesa los mensajes humanos: escaneando, evaluando y respondiendo según sea necesario. El costo es la ambigüedad. Los usuarios a veces no pueden saber si un resumen de IA está completo, si representa la conversación completa o si omitió algo importante.

El patrón impulsado por notificaciones funciona mejor cuando la salida del agente es determinista y acotada. Un agente de resumen diario de ventas informa sobre negocios cerrados, cambios en el pipeline y cuentas en riesgo. El usuario sabe qué esperar y puede escanear la actualización en segundos. Un agente de investigación abierto que muestra «hallazgos interesantes» en Slack es ignorado después de la segunda semana, porque el usuario no puede predecir qué contendrán las notificaciones o si valen su atención.

Los productos que están haciendo bien el patrón de notificaciones son aquellos que dejan que el usuario establezca las condiciones de activación explícitamente. «Avísame cuando un negocio pase de la etapa 3» es un límite concreto. «Envíame análisis semanal» es una cadencia concreta. «Notifícame sobre cualquier cosa inusual» es la vía rápida a la carpeta de archivados.

Lo que los cuatro comparten

A través de estos cuatro enfoques, un puñado de principios de diseño aparece consistentemente.

La capacidad progresiva es lo que más importa. Cada producto de caso de estudio limita lo que el usuario ve el primer día. Copilot muestra sugerencias en gris. Notion AI muestra cinco opciones de menú. Gamma empieza con un prompt, no con un navegador de funciones. Slack AI envía un mensaje por solicitud. La capacidad completa del agente es accesible pero no visible. El usuario la descubre a través del uso, no a través de la documentación.

El rechazo de bajo costo es lo segundo. Cada producto hace que sea barato decir que no. Copilot solo te pide que sigas escribiendo. Notion AI te deja presionar Cmd+Z. Gamma te da un botón de regenerar. Slack te invita a pasar de largo. El rechazo que cuesta tiempo o esfuerzo cognitivo desalienta la experimentación. Los mejores productos de agentes asumen que el usuario rechazará la mayoría de las sugerencias y diseñan para esa realidad.

El contexto como interfaz es lo tercero. Los mejores agentes no piden contexto. Ya lo tienen. Copilot lee el archivo abierto. Notion AI lee el documento. Slack AI lee el historial del canal. El usuario proporciona contexto estando donde ya está, no escribiendo una descripción.

Y la salida en el formato del usuario, no en el formato del modelo, es lo cuarto. Copilot produce código en el editor. Gamma produce diapositivas en el editor de diapositivas. Notion AI produce texto en el documento. Slack AI produce mensajes en el canal. El agente se adapta a las herramientas del usuario, no al revés.

Lo que falta

Los productos que existen hoy funcionan cada uno dentro de un solo patrón. Copilot es ambiental. Gamma es salida estructurada. Notion AI es integrado. Slack AI es impulsado por notificaciones. La próxima generación de productos de agentes necesitará combinar patrones: un agente que esté integrado en tu CRM, pero que también muestre notificaciones en Slack, y entregue informes semanales como documentos estructurados.

Los productos que combinen patrones enfrentarán un problema de diseño más difícil que los productos de un solo patrón. ¿Cómo evitas que la conciencia ambiental se convierta en ruido de notificaciones? ¿Cómo impides que el agente integrado compita con el agente de notificaciones por la misma atención del usuario? ¿Cómo haces que un patrón combinado se sienta coherente en lugar de como tres productos separados unidos con pernos?

También hay un vacío en la UX de agentes a escala de equipo. La mayoría de los productos de agentes se distribuyen para usuarios individuales. Sugerencias ambientales en un solo IDE. Notificaciones para un solo usuario de Slack. Artefactos estructurados para un solo informe. Los problemas de diseño cambian cuando un agente sirve a un equipo de diez personas, cada una con diferentes necesidades de información, patrones de atención y umbrales de confianza. Ningún producto ha resuelto eso completamente todavía.

La pregunta de diseño que definirá la próxima fase de UX de agentes: ¿puede un producto hacer que un agente sea invisible en el momento individual y visible a escala de equipo?

---

Este artículo profundiza el catálogo de patrones de UX de nuestra pieza anterior sobre patrones de interfaz de agentes. Es el quinto artículo de la serie de Publigent de junio de 2026, siguiendo nuestro análisis de agentes multimodales y capacidades de lectura de pantalla.