¿Puede ChatGPT crear un sistema de diseño?

Haz el experimento: pídele a un modelo de chat “un sistema de diseño completo para un producto SaaS —escalas de color, una escala tipográfica, tokens de espaciado, contraste accesible”. Lo que devuelve es impresionante. Capas bien organizadas, una escala 50–900 por tono, una escala tipográfica con una ratio con nombre, espaciado sobre una rejilla consistente, nombres de token que siguen convenciones del mundo real, anotaciones de contraste junto a los pares de color. Se lee como el trabajo de alguien que ha estudiado mil sistemas de diseño —lo cual, en cierto sentido, es cierto.

ChatGPT puede montar el andamiaje de un sistema de diseño, pero no puede hacerse cargo de los valores de forma fiable. La estructura que produce —convenciones de nomenclatura, capas de token, sugerencias sensatas de ratio, recordatorios de accesibilidad— es genuinamente sólida. Los números dentro de esa estructura a menudo no sobreviven a la comprobación: ratios de contraste que no se reproducen al calcularlos, pasos de escala que no siguen la ratio declarada y un conjunto distinto de valores en cada nuevo prompt. Usa el modelo para montar el andamiaje y como asesor; deja que una fuente determinista se haga cargo de cada valor.

Esa división —y cómo llevarla a la práctica— es lo que desarrolla este artículo, parte de nuestra guía sobre IA y sistemas de diseño.

¿Qué acierta ChatGPT en realidad?

Más de lo que esperan los escépticos. La capa estructural de un sistema de diseño es conocimiento que vive en el texto —artículos, documentación, charlas de conferencias— y sintetizar texto es exactamente para lo que se construyó un modelo de lenguaje. Pregúntale cómo organizar los tokens y describirá las capas primitivo → semántico → componente hacia las que convergen los sistemas maduros. Pregúntale qué ratio tipográfica encaja en un panel denso y razonará con sensatez sobre la densidad de contenido. Pídele que nombre las cosas y los nombres seguirán convenciones que tus futuros compañeros de equipo reconocerán.

Para un equipo sin un especialista en sistemas de diseño, ese andamiaje por sí solo puede justificar la conversación. Es honesto decir que aquí el modelo cumple el papel de un asesor muy leído —y lo cumple bien.

¿Dónde fallan los valores?

Los fallos caen en categorías que siguen siendo reconocibles independientemente del modelo o la versión que uses:

1. Aproximación aritmética. Una escala tipográfica es matemática exponencial —base × ratio^n— y un modelo que responde directamente desde el lenguaje tiende a aproximar el resultado en lugar de calcularlo. Los pasos parecen plausibles y derivan de la ratio declarada; nuestro artículo sobre por qué la IA se equivoca con las matemáticas de la escala tipográfica recorre los números exactos.
2. Comprobaciones afirmadas en vez de calculadas. Las cifras de contraste llegan con una precisión segura —“4,6:1, pasa AA”— pero al recalcularlas a partir del par de color real, una parte significativa no coincide. El número se generó para parecer una verificación, no se produjo mediante una.
3. Varianza de muestreo. Pregunta de nuevo mañana y obtendrás un sistema distinto, con la misma seguridad. Nada ancla una respuesta a la siguiente —el mismo comportamiento que hace que las interfaces generadas por IA se desvíen de la marca con el tiempo.

Una advertencia honesta: los asistentes que pueden ejecutar código calculan correctamente cuando de verdad lo hacen. La categoría de fallo pertenece a los valores producidos directamente desde el lenguaje —y el problema más profundo es que la salida no te da forma de saber cuál de los dos recibiste. Un número calculado y uno aproximado se ven idénticos en una tabla markdown pulcra.

¿Cómo compruebas una escala tipográfica afirmada?

Toma la escala tipográfica de la respuesta del modelo y ponla junto a una calculada. Abre una escala de cuarta justa calculada en Scale Composer —base 16, ratio 1,333, cada paso calculado como base × ratio^n y redondeado contra el valor exacto. Si los números del modelo coinciden, eran correctos. Donde divergen —normalmente en los pasos superiores, donde el error exponencial ha tenido espacio para acumularse— estás viendo la aproximación directamente.

Esta comprobación toma alrededor de un minuto y cambia cómo lees el resto de la salida del modelo: estructura y consejo, fiables; números sin verificar, pendientes.

¿Qué debería hacerse cargo de los valores en su lugar?

Una fuente donde cada valor se calcula, se almacena y se referencia —design tokens producidos por un sistema determinista en lugar de muestreados por uno generativo. Nuestro artículo sobre los design tokens como la interfaz entre el diseño y la IA cubre el contrato; la versión corta es que cada clase de valor que el modelo de chat adivinó tiene una respuesta correcta que un sistema puede calcular. Una única escala global —base, ratio, pasos— puede impulsar juntas la tipografía, el espaciado y las rampas de color. Los pasos de color pueden situarse sobre curvas de luminosidad perceptual en OKLCH en lugar de estimarse a ojo. Los roles semánticos pueden derivarse garantizando un mínimo de contraste WCAG y puntuarse con APCA. Un tema oscuro puede derivarse como su propia variante en lugar de invertirse. Nada de eso requiere criterio cada vez; requiere el mismo cálculo cada vez.

¿Cómo es el ciclo de ida y vuelta?

El arreglo de trabajo no es ChatGPT contra un sistema determinista —es un bucle entre ambos:

1. Dirección en el chat. Pide recomendaciones de ratio, el tono de la paleta, convenciones de nomenclatura, estructura. Aquí es donde el modelo se gana su lugar.
2. Valores calculados. Introduce la dirección elegida en la fuente determinista y deja que calcule los números reales.
3. Tokens exportados. Extrae el resultado como propiedades personalizadas de CSS, un bloque @theme de Tailwind v4, DTCG JSON o Figma Variables —el formato que lea tu proyecto.
4. Tokens de vuelta a la conversación. Pega el archivo en el proyecto de IA e indica al modelo que referencie los nombres de token, nunca que invente valores. Referenciar un nombre de una lista corta y visible es una tarea que los modelos de lenguaje manejan de forma fiable; mantener cincuenta valores exactos estables entre sesiones no lo es.

El bucle hace jugar a cada participante en su propio terreno: el modelo razona sobre el sistema en lenguaje, el sistema mantiene el sistema en números.

Cierra el bucle

El paso de exportación es donde la respuesta a la pregunta del titular se vuelve práctica: abre la misma escala en el paso de exportación y mira lo que de verdad vuelve al chat —tokens con nombre y valores calculados, en un formato que el modelo solo puede referenciar, no reinventar. ¿Puede ChatGPT crear un sistema de diseño? Puede esbozar la arquitectura de uno. El archivo que se entrega es la parte que calculas.