← Volver a proyectos
AI that helps. Sellers stay in control.

La IA ayuda. El seller mantiene el control.

Diseñé el modelo de interacción preview-first de AI Photo Studio de Mercado Libre para que los sellers pudieran revisar, comparar y revertir ediciones antes de aplicarlas.

Caso completo (en inglés)
Cliente
Mercado Libre
Mi rol
Product Designer · Dirección UX
Alcance
Edición asistida por IA · App y web
Periodo
6 meses · 2023–2024
Human-centered AIInteraction designRisk & edge casesDesign-to-engineering handoff

S / SITUACIÓN

Detectar una foto incorrecta no resolvía la tarea del seller.

La moderación podía identificar problemas en las fotos, pero los sellers todavía tenían que corregirlos. El recorrido solía salir de la plataforma y dependía de herramientas externas. Un editor con IA podía cerrar esa brecha si las personas confiaban en lo que iba a modificar.

Las imágenes representan el trabajo del seller e influyen directamente en la publicación. Aplicar un resultado de IA sin una vista previa clara podía convertir un flujo más rápido en una pérdida de control sobre el producto en venta.

T / RETO Y RESPONSABILIDAD

Hacer comprensible y reversible la propuesta de la IA.

Definí la dirección UX del modelo de confianza, los puntos de entrada y los estados del editor, en colaboración con Producto, Ingeniería y ML. Mi alcance cubrió la interacción y la entrega de especificaciones. El equipo lanzó el producto después de mi salida y mantuvo el modelo preview-first.

A / ACCIONES Y DECISIONES DE DISEÑO

Poner una decisión humana entre generar y aplicar.

El contrato de interacción
01

Previsualizar

La IA propone una corrección.

02

Comparar

El seller evalúa el antes y el después.

03

Decidir

Confirmar el cambio o volver al original.

01

Exploración guiada por riesgos

Explorar los fallos antes de pulir el camino ideal.

Exploré más de 40 casos límite con apoyo de IA antes de cerrar la dirección de interacción: un recorte que invadiera el producto, una corrección incorrecta o un proceso interrumpido. El objetivo fue anticipar riesgos; esta exploración de diseño no sustituía las pruebas de usabilidad.

02

Interacción y confianza

Separar el resultado de IA de la decisión del usuario.

El editor presenta una comparación antes/después antes de aplicar cambios. El seller puede revisar la propuesta, confirmarla o volver al original. Traté la reversibilidad como parte de la interacción principal: el control debía estar visible en el momento de evaluar la edición.

03

Alcance e implementación

Resolver una tarea concreta de corrección.

Delimité la experiencia a problemas de fondo, resolución y textos o logos no permitidos, en lugar de una suite de edición general. Documenté el comportamiento de cada estado y mantuve la lógica de interacción entre app y web para que el equipo pudiera implementar el modelo tras la entrega de diseño.

Photo Studio process and correction preview from the project documentation.
Proceso de Photo Studio y previsualización de correcciones en la documentación del proyecto.

R / RESULTADOS E IMPACTO DE NEGOCIO

Un modelo de confianza que llegó al producto lanzado.

70%
de sellers que usaron la herramienta mejoraron su conversión
40+
casos límite explorados antes del diseño de producción
3
capacidades de corrección en un flujo compartido

El equipo lanzó Photo Studio después de mi salida y conservó la interacción preview-first que entregué. El resultado reportado tras el lanzamiento indica que el 70% de los sellers que utilizaron la herramienta mejoró la conversión de sus publicaciones. Esa cifra representa la proporción de sellers con mejora, no el tamaño del incremento de conversión.

El 70% es una proporción reportada de sellers participantes, no un aumento del 70% en conversión. Mi alcance fue diseño y entrega; el lanzamiento y el resultado comercial fueron del equipo.

Lo que aprendí

Cuando la IA modifica el trabajo de alguien, la confianza forma parte de la arquitectura de interacción. Una comparación visible y un camino de vuelta claro pueden aportar más que eliminar un paso adicional.

Qué exploraría después

Evaluaría qué tan bien comprenden la recuperación distintos grupos de sellers y probaría si el mismo modelo funciona en ediciones por lotes y medios más complejos.