SERIE DISEÑAR Y APRENDER CON INTELIGENCIA ARTIFICIAL | ENTREGA 2
Por Aníbal Villa Álvarez | Diseño Gráfico Multimedia | Universidad Mondragón México
Diseño, iteración e inteligencia artificial en un taller de risografía para estudiantes de preparatoria
Un taller de dos horas para estudiantes de preparatoria planteó una pregunta que parecía sencilla: ¿cómo utilizar inteligencia artificial para imaginar una escena del futuro y convertirla, en la misma sesión, en una postal impresa en risografía? La respuesta terminó involucrando mucho más que la generación de imágenes. Fue necesario diseñar una experiencia capaz de articular ideación, escritura de prompts, interfaces digitales, automatización, trabajo colaborativo y las restricciones de un sistema de impresión físico.
El proyecto, desarrollado alrededor del Lab Riso + IA de la Universidad Mondragón México, permitió observar otra dimensión del uso de inteligencia artificial en educación. La IA no intervino únicamente en el resultado que producirían los participantes. También se utilizó para diseñar la actividad, construir prototipos, revisar código, analizar resultados, modificar instrucciones y acelerar sucesivos ciclos de prueba. El taller terminó siendo, por ello, un ejercicio de diseño de sistemas tanto como una actividad de generación gráfica.
La discusión sobre inteligencia artificial en las escuelas de diseño suele concentrarse en la calidad del resultado: si una imagen es convincente, si una composición parece profesional o si una propuesta puede producirse en pocos minutos. Esa comparación es insuficiente para una asignatura de Métodos de Diseño, donde el objetivo central no es obtener una pieza atractiva, sino aprender a observar, formular preguntas, reconocer restricciones y justificar decisiones.
En el tercer semestre de la carrera de Diseño Gráfico Multimedia de UMX, el rediseño de un pase de abordar permitió examinar ese proceso. Se trata de un documento cotidiano, pequeño y aparentemente resuelto, pero utilizado en condiciones poco favorables: con prisa, ruido, equipaje, un teléfono y, en vuelos internacionales, un pasaporte abierto. La información cambia de prioridad conforme avanza el recorrido: primero importa confirmar la identidad y el vuelo; después, localizar terminal, puerta y hora de abordaje; finalmente, encontrar el asiento.
Una postal para imaginar el futuro
La duración del taller imponía una primera restricción. No era viable dedicar una parte considerable de la sesión a explicar ingeniería de prompts, funcionamiento de modelos generativos o preparación avanzada de archivos. La herramienta debía permitir que los estudiantes concentraran su atención en imaginar una situación, tomar algunas decisiones y observar cómo esas decisiones modificaban el resultado. Al mismo tiempo, el proceso tenía que conducir con suficiente rapidez hacia una imagen que pudiera imprimirse.
El segundo problema provenía precisamente del destino de esa imagen. Los sistemas generativos actuales producen con facilidad escenas ricas en color, iluminación, texturas, sombras, pequeños detalles y efectos atmosféricos. Muchas de esas características funcionan bien en pantalla, pero no necesariamente en una dinámica de impresión inmediata en risografía. Necesitábamos imágenes verticales, legibles, con buena separación entre figura y fondo, áreas blancas suficientes y una construcción gráfica que pudiera trasladarse a tinta sin requerir una etapa extensa de edición.
La imagen generada, por tanto, no podía entenderse como el producto final. Era un original intermedio condicionado por el proceso de producción que vendría después.
En el tercer semestre de la carrera de Diseño Gráfico Multimedia de UMX, el rediseño de un pase de abordar permitió examinar ese proceso. Se trata de un documento cotidiano, pequeño y aparentemente resuelto, pero utilizado en condiciones poco favorables: con prisa, ruido, equipaje, un teléfono y, en vuelos internacionales, un pasaporte abierto. La información cambia de prioridad conforme avanza el recorrido: primero importa confirmar la identidad y el vuelo; después, localizar terminal, puerta y hora de abordaje; finalmente, encontrar el asiento.
Diseñar el prompt también fue diseñar el taller
Las primeras versiones solicitaban numerosas decisiones a los participantes: tema, escenario, año, personajes, actividad, tecnología, entorno, elementos adicionales, concepto a comunicar y estilo de representación. En teoría, esta estructura proporcionaba mayor control. En las pruebas, sin embargo, también generaba una carga innecesaria. El estudiante tenía que imaginar una historia, comprender cada variable, evitar contradicciones y, al mismo tiempo, anticipar cómo las interpretaría un modelo generativo.
La solución no consistió en añadir más instrucciones, sino en reducirlas y reorganizarlas. El tema principal pasó a ocupar una posición más relevante y comenzó a determinar automáticamente parte del contexto. Al elegirlo, el sistema podía proponer un espacio o una situación relacionada. Se eliminaron campos que duplicaban decisiones ya implícitas y se retiró la elección de estilos editoriales cuando comprobamos que desviaba la atención del objetivo principal. La interfaz resultante muestra cómo se registra el equipo y se construye la propuesta (fig. 2).
La solución no consistió en añadir más instrucciones, sino en reducirlas y reorganizarlas. El tema principal pasó a ocupar una posición más relevante y comenzó a determinar automáticamente parte del contexto. Al elegirlo, el sistema podía proponer un espacio o una situación relacionada. Se eliminaron campos que duplicaban decisiones ya implícitas y se retiró la elección de estilos editoriales cuando comprobamos que desviaba la atención del objetivo principal. La interfaz resultante muestra cómo se registra el equipo y se construye la propuesta (fig. 2).
Algo similar ocurrió con las restricciones de generación. En las primeras pruebas intentamos impedir explícitamente la aparición de color, textos, números, rótulos, etiquetas, paneles, marcas, sombras, degradados, texturas y otros elementos problemáticos. El prompt aumentó progresivamente de longitud hasta revelar una limitación importante: incluir más reglas no significa necesariamente tener mayor control. Algunas plataformas disponían además de campos de entrada más limitados y las instrucciones secundarias podían diluir las características realmente importantes.
Las siguientes versiones comenzaron a priorizar en lugar de acumular. Se mantuvieron las condiciones esenciales: línea negra sobre fondo blanco, modulación del trazo, pocos detalles pequeños, formas claramente definidas y una composición adecuada para una postal vertical. También se probaron diferentes niveles de representación: sólo línea; línea con algunos rellenos negros; y línea acompañada de cantidades controladas de negro y grises planos (fig. 3). Las pruebas permitieron comprender que la consistencia visual dependía de precisar la relación entre lo que se pedía al modelo y lo que el proceso de impresión realmente necesitaba.
Esta etapa modificó también la manera de entender la actividad. El prompt dejó de ser un texto que el estudiante debía aprender a redactar desde cero y pasó a convertirse en una estructura generada por el sistema a partir de sus decisiones. La construcción técnica de la instrucción podía resolverse detrás de la interfaz; la decisión conceptual seguía perteneciendo al participante.
De una actividad a una pequeña aplicación
El siguiente paso fue trasladar esta lógica a una aplicación web. La interfaz solicita la información necesaria, organiza las respuestas y produce automáticamente un prompt adaptado a la plataforma que se utilizará para generar la imagen. Esto resultó especialmente relevante porque las distintas herramientas no responden de manera idéntica: una instrucción adecuada para un generador puede resultar demasiado extensa para otro, mientras que pequeñas diferencias de redacción modifican la presencia de grises, rellenos o texto dentro de la imagen.
La aplicación permite personalizar cada sesión con el nombre de la preparatoria y registrar el nombre del equipo y de sus integrantes. La pantalla de bienvenida sitúa la experiencia en la escuela visitante y los datos de equipo ayudan a identificar las propuestas durante el flujo. La pantalla de preparación reúne el asunto, los integrantes y el prompt que se trasladará a Padlet (fig. 4).
Las sucesivas versiones incorporaron mecanismos para reducir errores durante el taller. Si un estudiante modifica alguna variable después de generar el prompt, por ejemplo, el sistema puede identificar esa versión como desactualizada y solicitar que la vuelva a generar. También se prepararon flujos distintos según la plataforma de generación seleccionada.
Vercel se convirtió en una pieza importante para desplegar y probar estas versiones. Además de permitir publicar con rapidez los cambios realizados en la interfaz, hizo posible separar la parte visible de la aplicación de las operaciones que convenía ejecutar en servidor. En una de las iteraciones se exploró incluso la generación directa de imágenes mediante la API de OpenAI: la aplicación enviaba la solicitud a un endpoint alojado en Vercel y la credencial necesaria permanecía fuera del código visible para el usuario.
La posibilidad de modificar una variable, desplegar una nueva versión y probar inmediatamente el resultado redujo considerablemente la distancia entre diseño y evaluación. En un proyecto de estas características, esa velocidad fue más importante que intentar construir desde el principio una solución definitiva.
Padlet como parte del sistema
Desde el comienzo, Padlet parecía una herramienta apropiada para reunir los resultados de los participantes. Permitía organizar visualmente las propuestas de los equipos y, al mismo tiempo, ofrecía una función de generación de imágenes con inteligencia artificial suficientemente accesible para estudiantes que no necesitaban crear cuentas en plataformas más especializadas.
Conforme avanzó el proyecto, Padlet dejó de funcionar únicamente como galería y comenzó a integrarse al flujo del taller. Se prepararon espacios para los diferentes equipos y una de las versiones de la aplicación utilizó la API de Padlet para enviar automáticamente parte de la información generada durante la actividad. El sistema podía relacionar los datos del equipo con la sección correspondiente del tablero y trasladar información como los nombres de los participantes, el tema seleccionado y el prompt construido, mientras Vercel funcionaba como intermediario entre la aplicación y el servicio externo.
Esta integración permitió comprobar las ventajas de trabajar con APIs, pero también sus límites. No todas las operaciones disponibles manualmente en la interfaz de Padlet podían realizarse mediante programación y la automatización completa tampoco resultaba necesariamente conveniente para una actividad educativa de corta duración.
Las versiones posteriores simplificaron nuevamente el flujo. En lugar de depender de la API para completar toda la publicación, se incorporó el Submission Form de Padlet. El estudiante construye su propuesta en la aplicación, obtiene el prompt y continúa hacia el formulario correspondiente, donde puede utilizar la función Imagen de IA, generar la imagen y completar la publicación (figs. 5 y 6).
El tablero reúne después los resultados de los equipos en una galería colectiva (fig. 7). La API fue importante durante el desarrollo porque permitió probar una integración más profunda entre ambos sistemas; la versión final conservó aquello que mejoraba la experiencia y eliminó aquello que introducía complejidad sin aportar suficiente valor. Automatizar una acción sólo tiene sentido cuando la automatización mejora el sistema completo.
Diseñar un taller reutilizable
La experiencia debía repetirse con distintas preparatorias, por lo que surgió un problema adicional. Crear manualmente una nueva versión de la aplicación para cada visita habría producido rápidamente múltiples copias difíciles de mantener.
Se desarrolló entonces un pequeño sistema de administración que permite configurar el taller activo, registrar el nombre de la preparatoria y asociar las direcciones correspondientes del tablero y del formulario de Padlet (fig. 8). La pantalla de bienvenida muestra automáticamente la institución participante y el mismo generador puede utilizarse en sucesivas sesiones, mientras los talleres anteriores permanecen registrados como parte del historial.
Esta solución transformó gradualmente el proyecto. Lo que había comenzado como una página para construir un prompt pasó a ser una infraestructura sencilla para coordinar varias etapas de una experiencia presencial: recibir a los participantes, identificar equipos e integrantes, estructurar una idea, generar una instrucción, trasladarla a otra plataforma, producir una imagen y convertirla finalmente en una pieza impresa.
La función principal de la tecnología pasó a ser reducir la fricción entre una etapa y la siguiente.
La IA como herramienta para diseñar la propia experiencia
Una de las diferencias más significativas de este proyecto respecto de otros ejercicios con inteligencia artificial fue que la misma tecnología que utilizarían los estudiantes intervino también en el proceso de diseño del taller. Se utilizó para explorar alternativas, revisar las instrucciones, generar ejemplos, analizar resultados inesperados, proponer modificaciones al flujo y apoyar el desarrollo del código de las distintas versiones.
Esto no eliminó la necesidad de tomar decisiones. Por el contrario, aumentó la cantidad de alternativas que podían evaluarse. Ante una imagen demasiado compleja podía analizarse qué parte del prompt podía estar produciendo ese comportamiento; ante una interfaz confusa podían ensayarse otras organizaciones; ante una limitación técnica podían plantearse diferentes arquitecturas y probarlas sin invertir previamente una cantidad considerable de tiempo en cada posibilidad.
La ventaja más evidente fue la reducción del tiempo entre una hipótesis y su comprobación. La IA permitió acelerar la construcción de prototipos y ampliar el número de iteraciones posibles antes de llevar el taller a los estudiantes. Se utilizó para intensificar el proceso de diseño.
También permitió trabajar entre disciplinas. Un proyecto que comenzó desde el diseño gráfico requirió considerar experiencia de usuario, programación, APIs, arquitectura de información, sistemas de publicación, impresión y diseño pedagógico. La asistencia de IA facilitó transitar entre estas áreas sin suponer que cada respuesta generada era correcta. El trabajo siguió requiriendo probar, detectar errores, descartar soluciones y comprender suficientemente cada componente para decidir si realmente contribuía al objetivo.
Del modelo generativo al objeto impreso
La risografía introduce finalmente una condición que resulta especialmente pertinente en una discusión sobre inteligencia artificial. Frente a la aparente inmaterialidad de una imagen generada en segundos, la impresión obliga a considerar dimensiones, tinta, registro, contraste, papel y legibilidad. La imagen vuelve a estar sometida a las propiedades de un medio físico.
Ese tránsito modifica también la relación del estudiante con el resultado. La generación no concluye cuando aparece una imagen satisfactoria en la pantalla. Todavía es necesario preguntarse si esa imagen puede imprimirse, qué información visual sobrevivirá al proceso y qué características deben simplificarse o transformarse. Las postales fotografiadas muestran dos maneras de resolver temas y composiciones con tintas distintas (figs. 9 y 10).
La experiencia del Lab Riso + IA sugiere que una integración educativa productiva de la inteligencia artificial requiere diseñar las condiciones bajo las cuales participa, decidir qué tareas conviene automatizar y preservar aquellas decisiones en las que el juicio del estudiante continúa siendo relevante.
La IA permitió construir prompts, imágenes, prototipos de interfaz y fragmentos del sistema con una velocidad difícil de alcanzar mediante un proceso convencional. La risografía recordó constantemente que el resultado debía funcionar fuera de la pantalla. Entre ambos extremos se encontró el ejercicio de diseño: convertir una posibilidad tecnológica en una experiencia comprensible, realizable y suficientemente abierta para que los participantes todavía tuvieran algo propio que decidir.
La postal impresa es el resultado visible del taller. El proyecto más amplio fue el sistema que hizo posible llegar a ella.
Aníbal Villa Álvarez
es diseñador gráfico, docente y director académico en la Universidad Mondragón México. A lo largo de su trayectoria ha combinado la práctica del diseño con la enseñanza, la innovación y la exploración de nuevas tecnologías aplicadas a los procesos creativos.
Ha sido profesor invitado en Algonquin College, en Ottawa, Canadá, y ha publicado reflexiones sobre diseño en medios como FOROALFA y El Financiero. También ha participado como jurado internacional en Poster Stellars y en la organización de las dos ediciones de la Bienal Internacional del Cartel en México realizadas en Querétaro, fortaleciendo la vinculación entre la academia y la comunidad profesional del diseño.
En los últimos años, buena parte de su trabajo se ha enfocado en repensar la formación de los diseñadores frente a los cambios tecnológicos y en explorar el papel de la inteligencia artificial como herramienta para la creatividad, la investigación y el aprendizaje.
Es además entusiasta de la risografía y participó en la creación del taller de riso de la Universidad Mondragón México, desde donde ha impulsado la experimentación gráfica y la vinculación con diseñadores e ilustradores locales.
Le interesan especialmente los puntos de encuentro entre diseño, tecnología, educación y cultura visual, así como las nuevas maneras en que estas disciplinas pueden transformar la forma en que aprendemos, comunicamos y creamos.
