Por qué los modos oscuros de la IA se ven mal: inversión frente a derivación

Pídele a un asistente de programación que “añada modo oscuro” a un proyecto y lee el diff que produce. El movimiento es sorprendentemente constante: los fondos blancos se vuelven casi negros, los grises claros se vuelven grises oscuros, el texto oscuro se vuelve texto claro, el acento de la marca conserva su hex exacto y las sombras se quedan justo donde estaban. Pídele a un generador de imágenes “la versión en modo oscuro” de un panel y ejecuta el mismo movimiento en pintura. Ambos parecen plausibles en una miniatura. Ninguno sobrevive al contacto con el uso real.

Los modos oscuros de la IA se ven mal porque el modelo realiza una inversión —los valores del tema claro intercambiados en posiciones reflejadas— mientras que un tema oscuro que funciona es una derivación: una segunda paleta calculada a partir de los mismos colores semilla de la marca, con su propia rampa de luminosidad que sube desde un suelo profundo en lugar de uno reflejado, croma replanificado para un fondo oscuro en lugar de trasladado, contraste recalculado para cada emparejamiento de texto y superficie, y una nueva lógica de elevación en la que las superficies elevadas se aclaran en lugar de proyectar sombras. Esa distinción es la columna vertebral de nuestra guía de modo oscuro; este artículo trata de lo que pasa cuando hay una IA de por medio.

¿Qué hace realmente una IA cuando le pides modo oscuro?

Reproduce el aspecto agregado de las interfaces oscuras con las que se entrenó, no la construcción de ninguna en particular. Esa es la clave intuitiva de todo el fallo: el modelo ha visto muchísimas interfaces oscuras y sabe cómo suelen verse; nunca ha ejecutado las decisiones que hicieron buena a una de ellas. Así que la salida hace coincidencia de patrones —fondo oscuro, texto claro, mismo acento— y por construcción faltan dos cosas. La primera es el cálculo: nada comprueba si el texto secundario gris medio sigue superando un umbral de contraste contra el nuevo fondo, porque el modelo genera valores plausibles en lugar de verificarlos. La segunda es la estabilidad: cada respuesta se muestrea de nuevo, así que pedir “modo oscuro” dos veces devuelve dos temas ligeramente distintos, la misma inestabilidad que hace que las interfaces generadas por IA se desvíen de la marca a lo largo de una sesión más larga. Lo que obtienes es una imagen de un tema oscuro, en código o en píxeles.

¿Por qué la inversión produce un tema roto?

Porque las relaciones internas de un tema claro no sobreviven al reflejo, un fallo con tres caras distintas, desglosado en detalle en El modo oscuro no es inversión:

• La lógica de roles se invierte por completo. Un borde de tema claro se sitúa ligeramente más oscuro que su superficie y se lee como una línea trazada y hundida; refleja la luminosidad y quedará ligeramente más claro, leyéndose como relieve. Algunas relaciones deberían invertirse —el texto oscuro sobre claro se convierte, con razón, en texto claro sobre oscuro— mientras que otras no deben hacerlo, y la inversión no distingue la diferencia.
• La elevación pierde su señal. Las sombras apenas se registran sobre un fondo oscuro —casi no queda a dónde ir más oscuro—, así que los temas oscuros señalan la altura haciendo más claras las superficies elevadas. La inversión traslada las sombras, inútilmente, y no produce ninguno de esos aclarados.
• El color se escurre. La cantidad de color percibida se juzga en relación con el entorno: el mismo valor de croma se lee notablemente más apagado contra un casi negro que contra el blanco, que es por qué los colores se ven lavados en modo oscuro cuando sus valores se trasladan sin cambios.

Una IA a la que se le pide “ponlo oscuro” reproduce las tres, porque desde fuera un tema oscuro parece una inversión: las decisiones que hacen que no lo sea son invisibles en el artefacto terminado, así que también son invisibles en los datos de entrenamiento.

¿Qué significa entonces derivación?

La derivación conserva los colores semilla y vuelve a ejecutar la construcción de la paleta para un contexto oscuro. La rampa oscura no es un reflejo de la clara: recorre su propia curva de luminosidad, con los pasos de clase fondo asentándose en torno a L ≈ 0,13–0,19 en OKLCH, una zona neutra profunda, no el negro puro que un reflejo produce a partir de un inicio casi blanco. El croma se replanifica en lugar de copiarse: se eleva alrededor de un 20 % respecto a los valores claros para contrarrestar el apagamiento de un fondo oscuro, acotado por lo que la gama permite en cada luminosidad. Los roles semánticos se vuelven a derivar en lugar de reapuntarse: los colores de texto, borde y estado se eligen contra las nuevas superficies, con los umbrales de contraste recomprobados ahí, porque un emparejamiento que pasó sobre blanco no demuestra nada sobre el casi negro. Y la elevación se reconstruye sobre la convención de aclarado en lugar de sombras heredadas.

Nada de esto es exótico; es aritmética, que es justo la clave. Es computable porque la paleta vive en un modelo de color perceptual: la luminosidad de OKLCH refleja cuán claro se percibe realmente un color (el modelo se apoya en el trabajo sobre OKLab de Björn Ottosson), así que “derivar una rampa nueva y recomprobar cada emparejamiento” es un cálculo, no una sesión de ir a ojo. Un modelo generativo muestrea lo que un tema oscuro podría ser de forma plausible; una derivación calcula lo que tu tema oscuro es.

Abre una paleta clara junto a su gemela oscura derivada en Scale Composer —el mismo color semilla en ambos lados, y las diferencias que describe este artículo se leen en los valores: el suelo profundo pero no negro, el croma elevado, los pasos de texto reelegidos.

¿Esto también aplica a las imágenes de interfaces oscuras generadas por IA?

Sí, mismo fallo, medio distinto. Pídele a un generador de imágenes “la misma pantalla, en modo oscuro” y repintará hacia su noción previa de las interfaces oscuras: fondos de negro puro, acentos que brillan como un panel de videojuegos, texto de un blanco incandescente. Eso es un aspecto, no una derivación, y por lo general no es tu aspecto. Las negaciones no lo salvarán: estos generadores a menudo se aferran al sustantivo que prohíbes, así que “modo oscuro pero no negro puro” tiende a anclarse en el negro de todos modos. Describe en cambio el tema derivado en positivo, como vocabulario de prompt: “fondo gris neutro profundo; paneles elevados ligeramente más claros que el fondo; texto blanco roto suave; el azul de la marca algo más vívido que en la versión clara”. Esas frases no son palabras de ambiente, son las decisiones reales de un tema oscuro derivado, expresadas en un lenguaje que un modelo de imagen puede seguir.

¿Cómo consigues un tema oscuro correcto de una IA?

Divide el trabajo por la línea donde cada lado es fuerte. Deriva la paleta oscura de forma determinista, exporta los design tokens con los conjuntos de roles claro y oscuro uno al lado del otro, y entrégale el archivo a la IA con una única instrucción permanente: referencia los roles, nunca inventes valores. Un modelo de programación es genuinamente bueno aplicando un sistema a lo largo de docenas de componentes; se desvía cuando se le pide decidir el sistema, la forma recurrente de todo el problema de la IA y los sistemas de diseño. Para las imágenes, el mismo archivo es la fuente de vocabulario: los tonos del tema oscuro también tienen nombres y valores, y pertenecen al prompt exactamente igual que la paleta clara.

Deriva el par claro–oscuro a partir de tu propio color de marca —pega un color semilla, obtén ambos temas con su contraste recomprobado, y exporta el par como un solo archivo: la mitad determinista del flujo de trabajo, lista para entregar al modelo que construya las pantallas.