Envía por correo este artículo 
Integracin de Inteligencia Artificial en Design Thinking: Anlisis de enfoques para diseo industrial centrado en el usuario
Integrating Artificial Intelligence into Design Thinking: Analyzing Approaches to User-Centered Industrial Design
Integrando a Inteligncia Artificial ao Design Thinking: Analisando Abordagens para o Design Industrial Centrado no Usurio
Correspondencia: wg.chaca@uta.edu.ec
Ciencias Tcnicas y Aplicadas
Artculo de Investigacin
* Recibido: 10 de abril de 2025 *Aceptado: 05 de mayo de 2025 * Publicado: 17 de junio de 2025
I. Universidad Tcnica de Ambato, Ecuador.
II. Universidad Tcnica de Ambato, Ecuador.
III. Universidad Tcnica de Ambato, Ecuador.
IV. Universidad Tcnica de Ambato, Ecuador.
Resumen
Este estudio desarroll una revisin sistemtica de literatura con el objetivo de analizar la integracin de la Inteligencia Artificial (IA) en el enfoque de Design Thinking (DT) dentro del diseo industrial centrado en el usuario. Se examinaron artculos publicados entre 2018 y 2024, seleccionados a partir de criterios rigurosos en bases de datos acadmicas de alto impacto. Los resultados indicaron una alta concentracin del uso de IA en las fases de ideacin, prototipado y testeo, donde tecnologas como aprendizaje profundo, modelos generativos y procesamiento del lenguaje natural contribuyeron significativamente al proceso creativo. Se identificaron tres roles funcionales de la IA: herramienta, colaborador y coach creativo, cada uno con distintos niveles de autonoma y participacin en la toma de decisiones. Asimismo, se observaron tensiones ticas y culturales que influyen en la adopcin de IA, siendo ms exitosa en organizaciones con culturas abiertas y colaborativas. La revisin concluy que la IA, lejos de reemplazar al diseador, expande su campo de accin y redefine sus competencias en contextos complejos. Se propone un enfoque crtico, humanista y ticamente informado para integrar IA en el DT, con implicaciones significativas para la prctica profesional y educativa del diseo industrial.
Palabras Claves: Inteligencia artificial; design thinking; diseo industrial; creatividad asistida; diseo centrado en el usuario.
Abstract
This study conducted a systematic literature review to analyze the integration of Artificial Intelligence (AI) into the Design Thinking (DT) approach within human-centered industrial design. Articles published between 2018 and 2024 were examined, selected based on rigorous criteria in high-impact academic databases. The results indicated a high concentration of AI use in the ideation, prototyping, and testing phases, where technologies such as deep learning, generative models, and natural language processing contributed significantly to the creative process. Three functional roles of AI were identified: tool, collaborator, and creative coach, each with varying levels of autonomy and participation in decision-making. Ethical and cultural tensions were also observed that influence AI adoption, with AI being more successful in organizations with open and collaborative cultures. The review concluded that AI, far from replacing designers, expands their scope of action and redefines their competencies in complex contexts. A critical, humanistic, and ethically informed approach is proposed for integrating AI into DT, with significant implications for the professional and educational practice of industrial design.
Keywords: Artificial intelligence; design thinking; industrial design; assisted creativity; user-centered design.
Resumo
Este estudo realizou uma reviso sistemtica da literatura para analisar a integrao da Inteligncia Artificial (IA) na abordagem do Design Thinking (DT) no design industrial centrado no ser humano. Foram examinados artigos publicados entre 2018 e 2024, selecionados com base em critrios rigorosos em bases de dados acadmicas de alto impacto. Os resultados indicaram uma alta concentrao do uso da IA nas fases de ideao, prototipagem e teste, onde tecnologias como aprendizado profundo, modelos generativos e processamento de linguagem natural contriburam significativamente para o processo criativo. Trs papis funcionais da IA foram identificados: ferramenta, colaborador e coach criativo, cada um com diferentes nveis de autonomia e participao na tomada de decises. Tambm foram observadas tenses ticas e culturais que influenciam a adoo da IA, sendo a IA mais bem-sucedida em organizaes com culturas abertas e colaborativas. A reviso concluiu que a IA, longe de substituir designers, expande seu escopo de atuao e redefine suas competncias em contextos complexos. Uma abordagem crtica, humanstica e eticamente informada proposta para a integrao da IA ao DT, com implicaes significativas para a prtica profissional e educacional do design industrial.
Palavras-chave: Inteligncia artificial; design thinking; design industrial; criatividade assistida; design centrado no usurio.
Introduccin
La transformacin digital contempornea ha generado un impacto profundo en el diseo industrial, siendo la Inteligencia Artificial (IA) un catalizador fundamental que redefine tanto las herramientas disponibles como los procesos creativos y marcos colaborativos inherentes a esta disciplina(Palacio, 2021) (Andrade, 2023). Esta evolucin tecnolgica se enmarca dentro del paradigma de la Industria 5.0, donde el diseo centrado en el humano (Human-Centered Artificial Intelligence, HCAI) adquiere relevancia estratgica para abordar desafos complejos de manera tica y efectiva, transformando la prctica profesional del diseo industrial(Bckle & Kouris, 2023).
El Design Thinking (DT), estructurado tradicionalmente en cinco etapas (empatizar, definir, idear, prototipar y testear), se ha consolidado como una metodologa fundamental que fomenta la creatividad y resuelve problemas centrados en las necesidades del usuario(McLaughlin et al., 2019). La integracin de IA en estas fases permite acelerar procesos repetitivos y enriquecer el potencial creativo mediante tcnicas avanzadas como Deep Learning, redes generativas adversariales (GANs) y procesamiento del lenguaje natural (NLP), donde la IA asume roles diversos desde herramientas de apoyo hasta colaboraciones simtricas con los diseadores(Saeidnia & Ausloos, 2024) (Marcillo et al. 2024)
La incorporacin de IA en DT genera transformaciones profundas en los marcos cognitivos y ticos del diseo industrial, destacndose la necesidad crtica de abordar cuestiones como transparencia, responsabilidad y explicabilidad de las decisiones algortmicas(Weller, 2019) (Tumbaico, 2025). Los riesgos identificados incluyen sesgos algortmicos y confirmaciones pasivas que podran amplificar prejuicios no deseados, por lo que emerge la propuesta de integrar marcos ticos robustos como el "ethics-by-design" para anticiparse a posibles consecuencias negativas(Sreenivasan & Suresh, 2024)
Los estudios recientes evidencian que las organizaciones con culturas abiertas y orientadas al aprendizaje continuo adoptan con mayor xito las tecnologas de IA, mientras que estructuras ms rgidas enfrentan resistencias importantes(Bckle & Kouris, 2023). Metodolgicamente, la IA muestra potencialidades especficas en cada fase del DT, destacndose en ideacin y prototipado donde genera mltiples alternativas en perodos menores, y en fases tempranas donde incrementa significativamente la precisin y relevancia para usuarios finales(Cautela et al., 2019). Esta transformacin demanda nuevas competencias profesionales que incluyen gestin de bucles creativos continuos e interpretacin crtica de resultados algortmicos(Cautela et al., 2019) (Sarabia, 2025).
Ante este panorama, existe la necesidad apremiante de sistematizar la literatura sobre los enfoques de integracin de IA en DT aplicado al diseo industrial centrado en el usuario. Por consiguiente, este artculo tiene como objetivo realizar una revisin sistemtica para identificar, analizar y sintetizar las principales estrategias metodolgicas, ticas y organizacionales que emergen en la literatura reciente, as como determinar las competencias emergentes necesarias para los diseadores industriales en este contexto de transformacin tecnolgica y metodolgica
Metodologa
Este estudio se desarroll bajo el enfoque de una Revisin Sistemtica de Literatura (Systematic Literature Review, SLR), con el propsito de analizar de manera exhaustiva los enfoques contemporneos sobre la integracin de la Inteligencia Artificial (IA) en el modelo de Design Thinking (DT) dentro del campo del diseo industrial centrado en el usuario. La eleccin de este tipo de estudio responde a la creciente necesidad de sistematizar los avances tericos y empricos en torno a esta convergencia metodolgica y tecnolgica, dada su rpida evolucin en la ltima dcada. Siguiendo las recomendaciones establecidas por el protocolo PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), se definieron con precisin las etapas de bsqueda, seleccin, evaluacin crtica y sntesis de la informacin cientfica, con el objetivo de garantizar la transparencia, replicabilidad y solidez del proceso de revisin(Sreenivasan & Suresh, 2024).
La estrategia de bsqueda documental se estructur mediante una combinacin de operadores booleanos y descriptores clave, con el fin de abarcar de manera exhaustiva la produccin cientfica que articula Inteligencia Artificial y Design Thinking en contextos de diseo industrial. Se consultaron bases de datos acadmicas de alto impacto como ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink y Google Scholar, seleccionadas por su cobertura temtica en diseo, computacin aplicada, ingeniera y ciencias sociales. Se utilizaron trminos como "Artificial Intelligence", "Design Thinking", "Human-Centered Design", "creative collaboration", "AI in design process", "generative AI" y "user-centered design", entre otros. Los criterios de inclusin establecidos fueron: (a) artculos publicados entre enero de 2018 y diciembre de 2024; (b) estudios escritos en ingls o espaol; (c) investigaciones empricas, tericas o de revisin que aborden explcitamente la integracin de IA en alguna o varias fases del modelo DT; y (d) aplicacin directa o derivada al campo del diseo industrial o de productos. Asimismo, se excluyeron documentos duplicados, captulos de libros, actas sin revisin por pares, y artculos centrados exclusivamente en programacin de IA sin vnculo metodolgico con DT.
El proceso de cribado se realiz en dos fases sucesivas. En primer lugar, se llev a cabo una evaluacin preliminar de los ttulos y resmenes de 574 artculos recuperados, lo cual permiti eliminar aquellos que no cumplan con los criterios de inclusin previamente definidos. Esta depuracin inicial redujo la muestra a 112 estudios. En una segunda fase, se procedi a la lectura completa de los textos, etapa en la cual se aplic una evaluacin crtica ms rigurosa, orientada a verificar la alineacin entre los objetivos de cada artculo y el propsito de esta revisin sistemtica. Dos revisores independientes participaron en esta evaluacin, lo que permiti minimizar sesgos y asegurar la consistencia del criterio de seleccin. Finalmente, se consolid una muestra total de 16 artculos altamente pertinentes y representativos, los cuales ofrecen una visin comprensiva, diversa y actualizada sobre las formas de integracin de IA en los procesos de Design Thinking en diseo industrial. El anlisis de los datos se realiz mediante una matriz de doble entrada, donde se registraron elementos como autores, ao de publicacin, objetivos del estudio, metodologa empleada, principales hallazgos y limitaciones identificadas.
Figura 1: Diagrama de Flujo PRISMA para el Proceso de Seleccin de Artculos
La muestra final de 16 artculos abarc un periodo de publicacin comprendido entre enero de 2018 y diciembre de 2024, lo cual permiti observar la evolucin reciente y las tendencias emergentes en la convergencia entre IA y Design Thinking. En cuanto a la tipologa, el corpus analizado incluye estudios empricos de caso(Ouyang et al., 2023), revisiones sistemticas (Shi et al., 2023), ensayos tericos (Artificial intelligence and the future of work: humanAI symbiosis in organizational decision making(Cautela et al., 2019), desarrollos metodolgicos (Sreenivasan & Suresh, 2024), y artculos con enfoques socio-tcnicos aplicados a contextos organizacionales (Verganti et al., 2020) Esta diversidad disciplinaria no solo enriqueci la amplitud analtica del estudio, sino que permiti identificar patrones recurrentes sobre la implementacin de IA en distintas etapas del proceso creativo, en sectores tan variados como salud, arquitectura, manufactura y educacin. A pesar de sus diferencias metodolgicas, todos los artculos compartieron un rasgo comn: la problematizacin de la IA como catalizador y no sustituto de la creatividad humana en contextos de diseo centrado en el usuario.
Una vez seleccionados los estudios, se procedi a su anlisis mediante un enfoque cualitativo basado en codificacin temtica, siguiendo el modelo propuesto por (Braun & Clarke, 2006). Esta metodologa permiti identificar patrones semnticos, estructuras argumentativas y enfoques comunes o divergentes en torno a la incorporacin de IA en cada una de las fases del Design Thinking. En una primera etapa, se realiz una codificacin abierta que dio lugar a categoras emergentes como "rol de la IA", "fase intervenida del DT", "tipo de interaccin humanomquina" y "desafos ticos". Posteriormente, se aplic una codificacin axial para relacionar estas categoras entre s y construir una matriz temtica que integrara tanto enfoques tericos como estudios empricos. Por ejemplo, se observaron coincidencias en el uso de tcnicas de IA generativa (como GANs) para la ideacin de productos (As et al., 2018; Harika et al., 2022), mientras que en etapas de testeo y validacin, la IA se emple mayoritariamente para anlisis predictivo o segmentacin de usuarios (Bckle & Kouris, 2023). Esta estructura analtica permiti sistematizar hallazgos diversos bajo un marco unificado, respetando tanto la especificidad contextual como la comparabilidad temtica entre estudios.
Tabla 1 Matriz de anlisis de categoras emergentes en la codificacin temtica
Las variables analizadas en esta revisin se definieron a partir del entrecruzamiento entre los componentes del modelo Design Thinking y las funcionalidades atribuidas a los sistemas de Inteligencia Artificial. En primer lugar, se categoriz la intervencin de la IA segn la fase del Design Thinking en la que se aplicaba: empata, definicin, ideacin, prototipado o testeo. Esta clasificacin permiti determinar en qu momentos del proceso creativo la IA resultaba ms relevante o efectiva, encontrndose una alta concentracin de casos en las fases de ideacin y prototipado (Bckle & Kouris, 2023; Saeidnia & Ausloos, 2024). En segundo lugar, se tipific el rol funcional de la IA: herramienta automatizada, colaborador creativo o coach estratgico(Cautela et al., 2019). Esta variable fue crucial para identificar los niveles de agencia asignados a los sistemas inteligentes en relacin con los diseadores humanos. Finalmente, se incluy una tercera variable relativa a las competencias emergentes requeridas por los diseadores industriales, especialmente en lo referido a interpretacin de modelos algortmicos, pensamiento crtico frente a la automatizacin, y gestin de procesos creativos mediados por IA (Jarrahi, 2018; Verganti et al., 2020). La triangulacin de estas variables permiti construir una perspectiva integral sobre los modos en que la IA se inserta y transforma el quehacer del diseo industrial centrado en el usuario.
Figura 2: Intervencin de IA en las fases del Design Thinking
Figura 3: Distribucin de roles funcionales de la IA
El estudio se rigi por principios ticos vinculados a la integridad acadmica, el respeto por la autora intelectual y la transparencia metodolgica. Al tratarse de una revisin de literatura sin interaccin directa con sujetos humanos, no fue necesario recurrir a comits de tica institucional; sin embargo, se respetaron las buenas prcticas cientficas establecidas por el Committee on Publication Ethics (COPE). Para garantizar la validez interna, se aplic un proceso de doble revisin independiente durante las fases de inclusin y evaluacin crtica de los artculos, minimizando as el sesgo por subjetividad individual(Sachetti & Mota, 2021). La fiabilidad del anlisis cualitativo se fortaleci mediante triangulacin entre fuentes, uso de matrices comparativas y discusin iterativa entre los revisores, siguiendo lineamientos propuestos por estudios como el de (Bckle & Kouris, 2023). Asimismo, se document todo el proceso de codificacin y categorizacin, asegurando trazabilidad en las decisiones interpretativas y facilitando la replicabilidad del estudio por parte de futuros investigadores.
Para facilitar la interpretacin comparativa y la sntesis de los hallazgos, los datos extrados de los artculos fueron organizados mediante matrices analticas multivariable, clasificadas segn las dimensiones previamente definidas: fase del Design Thinking, rol de la IA, tipo de estudio, mbito de aplicacin y nivel de intervencin algortmica. Estas matrices permitieron detectar rpidamente patrones transversales, tendencias emergentes y vacos tericos. Adems, se emplearon herramientas de visualizacin como mapas temticos y tablas de frecuencia para ilustrar grficamente las relaciones entre categoras, siguiendo estrategias comunes en revisiones sistemticas de literatura orientadas al diseo (Saeidnia & Ausloos, 2024). Por ejemplo, se construy una figura para mostrar qu fases del DT son ms intervenidas por IA, revelando una fuerte concentracin en ideacin y testeo. Asimismo, se utilizaron esquemas de codificacin axial para cruzar categoras como "nivel de autonoma de la IA" con "grado de colaboracin humana", lo cual result clave para mapear el tipo de interaccin que predomina en la literatura actual (Shi et al., 2023; Sreenivasan & Suresh, 2024). Esta estructura de anlisis fue esencial para consolidar una visin sistemtica, visual y argumentativa de los resultados.
Figura 4: Nivel de autonoma de la IA Grado de colaboracin humana
La delimitacin temporal del estudio, que abarca el periodo comprendido entre 2018 y 2024, responde a la necesidad de capturar los desarrollos ms recientes en la convergencia entre Inteligencia Artificial y Design Thinking, en un contexto donde el avance de modelos generativos, la adopcin de algoritmos de aprendizaje profundo y la incorporacin de marcos de IA explicable han modificado sustancialmente la prctica del diseo (Verganti et al., 2020). Durante este periodo, emergen paradigmas como la Industria 5.0, que promueven una IA centrada en el ser humano (Human-Centered Artificial Intelligence, HCAI), otorgando al diseo un rol estratgico en la interaccin tica y creativa entre humanos y sistemas inteligentes(Mentzas et al., 2024). En cuanto a la delimitacin geogrfica, si bien los artculos provienen de contextos variados: Estados Unidos, Europa, Asia y Amrica Latina, todos comparten un enfoque metodolgico aplicado o replicable al campo del diseo industrial. Disciplinariamente, se prioriz literatura proveniente de reas como diseo de productos, arquitectura, computacin creativa y estudios organizacionales, lo cual permiti una perspectiva transdisciplinar capaz de capturar los mltiples niveles de insercin de la IA en los procesos creativos centrados en el usuario (Sreenivasan & Suresh, 2024)
El anlisis crtico de los enfoques metodolgicos incluidos en la revisin se centr en identificar tanto la robustez como la aplicabilidad de los diseos investigativos en relacin con la integracin de IA en Design Thinking. Se observ que los estudios empricos adoptaron mayoritariamente metodologas cualitativas exploratorias, centradas en estudios de caso con enfoque participativo, mientras que los estudios tericos y de revisin optaron por marcos estructurales comparativos o constructivistas. Esta diversidad metodolgica reflej la riqueza epistemolgica del campo, pero tambin plante el reto de comparar resultados heterogneos. Para enfrentar este desafo, se aplicaron criterios de evaluacin cruzada basados en: la claridad con que se define el rol de la IA, la profundidad del anlisis del proceso de diseo, y la inclusin explcita del usuario como agente de co-creacin (Cautela et al., 2019; Saeidnia & Ausloos, 2024). Esta triangulacin permiti no solo agrupar estudios afines por similitud metodolgica, sino tambin identificar aquellos que ofrecan aportes originales desde enfoques hbridos, como la aplicacin del marco COFI para evaluar la simbiosis humanoIA, o los que proponan mtricas especficas para medir colaboracin creativa aumentada (Bckle & Kouris, 2023).
La estrategia metodolgica adoptada permiti no solo sistematizar el conocimiento existente sobre la convergencia entre Inteligencia Artificial y Design Thinking, sino tambin identificar vacos tericos, enfoques emergentes y desafos metodolgicos que an persisten en la literatura. La incorporacin de criterios rigurosos de seleccin, codificacin estructurada y triangulacin analtica aport solidez interpretativa y profundidad conceptual al estudio. Sin embargo, se reconoce como limitacin inherente el hecho de que la revisin se enfoc exclusivamente en publicaciones acadmicas indexadas, lo que excluye prcticas emergentes no documentadas en literatura formal, como las que se desarrollan en entornos profesionales, laboratorios de innovacin o comunidades de prctica. Asimismo, la diversidad disciplinaria de los artculos revisados, aunque enriquecedora, impone un reto de coherencia conceptual que fue abordado mediante un marco analtico comn. A pesar de estas restricciones, la revisin logr cumplir su propsito central: ofrecer una visin crtica, integrada y actualizada sobre cmo se est implementando la IA en procesos de diseo centrado en el usuario, particularmente en el campo del diseo industrial (Saeidnia & Ausloos, 2024; Sreenivasan & Suresh, 2024), lo cual se refleja con mayor detalle en los resultados que se presentan a continuacin.
Tabla 2 Tabla comparativa de enfoques metodolgicos en estudios revisados
Resultados
El anlisis de los 16 estudios seleccionados revel una tendencia significativa hacia la incorporacin de Inteligencia Artificial (IA) en fases especficas del modelo Design Thinking (DT), particularmente en aquellas etapas asociadas con la generacin, validacin y refinamiento de soluciones. En la fase de ideacin, 12 artculos describen cmo la IA ha sido implementada para expandir el rango de posibilidades creativas, especialmente a travs de tcnicas como redes generativas adversariales (GANs), modelos de lenguaje (NLP) y aprendizaje profundo no supervisado. Estas tecnologas han permitido generar variaciones formales, funcionales y semnticas de productos, apoyando al diseador como un asistente divergente que amplifica su pensamiento lateral. Algunos estudios sugieren que la integracin de IA en fases tempranas del proceso creativo podra favorecer la generacin de propuestas variadas y permitir la deteccin de patrones emergentes, especialmente en contextos de exploracin conceptual y co-creacin. En este sentido, la IA acta como un catalizador para la innovacin, al facilitar la identificacin de nuevas oportunidades de diseo y acelerar la experimentacin con prototipos virtuales (Saeidnia & Ausloos, 2024).
En la fase de prototipado, 10 estudios documentaron el uso de IA como herramienta para simular, ajustar y optimizar prototipos en tiempo real. Aqu, la IA cumpli funciones clave como la prediccin de comportamiento del usuario, la evaluacin del rendimiento estructural y la optimizacin de geometras a travs de aprendizaje automtico supervisado (Liao et al., 2020). En aplicaciones industriales, estas capacidades han sido esenciales para reducir los ciclos de iteracin fsica y disminuir costos de validacin previa a la fabricacin. En especial, el uso de "prototipos inteligentes" con capacidad de aprendizaje ha permitido ajustes en tiempo real segn el feedback recogido, como se evidenci en contextos de desarrollo de interfaces para servicios personalizados o productos con lgica adaptativa (Mentzas et al., 2024). Adems, se observ una conexin estrecha entre esta fase y la capacidad de la IA para construir modelos de prediccin del desempeo del usuario bajo diferentes escenarios de uso.
La fase de testeo tambin mostr avances considerables en integracin algortmica. En 8 estudios, la IA fue utilizada para analizar reacciones de usuarios frente a prototipos funcionales, mediante reconocimiento de patrones de comportamiento, anlisis de voz y rostro, y correlacin de datos de interaccin con variables de satisfaccin(Cautela et al., 2019). Estas tcnicas han permitido sustituir parcialmente estudios de usuario tradicionales con evaluaciones automatizadas ms rpidas y cuantificables, lo que resulta especialmente til en contextos de diseo gil. A travs de herramientas de IA explicable (xAI), algunos estudios lograron interpretar y visualizar la forma en que el sistema evaluaba las preferencias del usuario, favoreciendo la retroalimentacin en ciclos de mejora continua(Sreenivasan & Suresh, 2024). Asimismo, el uso de algoritmos para experimentos A/B automatizados en plataformas digitales demostr ser una estrategia robusta para validar hiptesis de diseo con grandes volmenes de usuarios en tiempo real.
En contraste, las fases iniciales del DT empata y definicin presentaron un nivel de integracin ms incipiente, aunque con resultados prometedores. Solo 5 artculos incluyeron IA en la fase de empata, generalmente mediante el uso de anlisis de sentimientos, minera de texto y extraccin de tpicos desde entrevistas o foros de usuarios (Saeidnia & Ausloos, 2024). En estos casos, la IA se utiliz para sintetizar grandes volmenes de datos cualitativos, ofreciendo al diseador una vista panormica de las necesidades, frustraciones y deseos de los usuarios. A pesar de la escasa representacin, esta etapa se perfila como una de las ms transformables a travs de IA, especialmente en escenarios donde los insumos del usuario son masivos, ambiguos o estn medianamente estructurados. La fase de definicin, por su parte, se benefici marginalmente del uso de IA como herramienta para identificar patrones problemticos o estructuras latentes en la informacin, ayudando a reformular los briefs de diseo con mayor precisin(Verganti et al., 2020)
Figura 5: Uso de IA en fases del Design Thinking
Adems del anlisis por fases, los resultados permitieron identificar tipologas funcionales del rol de la IA en el proceso de diseo. En trminos generales, la IA fue conceptualizada bajo tres modalidades principales: como herramienta, como colaborador y como socio creativo o coach. En su rol de herramienta, la IA ejecut tareas automatizadas y operativas, como anlisis de datos, sntesis de patrones o generacin de contenidos base(Chompunuch & Lubart, 2025). Como colaborador, la IA particip en procesos dialgicos de diseo, sugiriendo opciones creativas, ofreciendo retroalimentacin contextual o ampliando las capacidades perceptivas del diseador(Sreenivasan & Suresh, 2024). Finalmente, en su rol ms avanzado como coach creativo, la IA ayud a estructurar decisiones estratgicas, proponer rutas de diseo alternativas o provocar cuestionamientos que enriquecieron la reflexin proyectual (Lee et al., 2024). Esta clasificacin fue transversal a las fases del DT y mostr que, a mayor madurez tcnica del sistema y alfabetizacin digital del diseador, mayor era el grado de autonoma creativa delegada a la IA.
Figura 6: Roles funcionales de la IA en el proceso de diseo
Figura 7: Fase del DT Rol funcional de la IA
Finalmente, los estudios revisados documentaron diversos casos ejemplares que evidencian la aplicacin prctica de estas integraciones. En el campo de la medicina, Briganti y Moine (2020) reportaron un proceso exitoso de aplicacin del ciclo Design Thinking para el desarrollo de un algoritmo de deteccin de fracturas de cadera, donde la IA no solo mejor el rendimiento diagnstico, sino que tambin facilit la interaccin colaborativa entre mdicos, ingenieros y desarrolladores. En arquitectura, As et al. (2018) aplicaron modelos generativos basados en redes neuronales para conceptualizar configuraciones espaciales a partir de grafos funcionales, proponiendo soluciones formales no concebidas previamente por diseadores humanos. Asimismo, en contextos organizacionales, Cautela et al. (2019) y Jarrahi (2018) destacaron la IA como una capacidad dinmica que potencia la inteligencia colectiva de los equipos, siempre que se gestionen adecuadamente los factores culturales, ticos y cognitivos asociados a la toma de decisiones colaborativa. Estos antecedentes interdisciplinares demuestran que la integracin de IA en marcos de Design Thinking no solo es tcnicamente viable, sino que ofrece un potencial significativo para el fortalecimiento de procesos proyectuales en el diseo industrial centrado en el usuario.
Discusin
Los hallazgos obtenidos en esta revisin sistemtica permiten observar una transformacin sustancial en la forma en que se concibe, implementa y evala el proceso de diseo cuando se incorpora Inteligencia Artificial en el marco metodolgico del Design Thinking (DT). Lejos de tratarse nicamente de una automatizacin de tareas, los resultados evidencian que la IA est redefiniendo los principios operativos del DT, permitiendo una expansin de sus posibilidades tanto en trminos operativos como estratgicos. Esta expansin es especialmente evidente en las fases de ideacin, prototipado y testeo, donde la IA ha demostrado ser un agente eficaz para la generacin, simulacin y validacin de soluciones centradas en el usuario(Cautela et al., 2019; Sreenivasan & Suresh, 2024)
Sin embargo, esta integracin no es homognea ni exenta de tensiones. La menor presencia de IA en las fases de empata y definicin sugiere la persistencia de lmites asociados a la interpretacin del contexto humano, las emociones y los marcos culturales, los cuales siguen siendo dominios donde la intuicin y el juicio del diseador humano mantienen una ventaja comparativa(Cautela et al., 2019). No obstante, estudios recientes han propuesto que tecnologas como el procesamiento del lenguaje natural (NLP) o el anlisis de sentimientos podran tener un papel creciente en estas etapas si se implementan con enfoques interpretativos y ticamente guiados.(Cautela et al., 2019)
Una aportacin clave de esta revisin es la tipificacin de roles funcionales de la IA en el DT, la cual aporta claridad sobre la progresiva evolucin desde su uso como herramienta operativa hacia su incorporacin como colaborador creativo o coach estratgico. Esta transformacin conceptual ha sido propuesta por frameworks como COFI(Rezwana & Maher, 2022), que plantean nuevos esquemas de co-creacin simtrica entre humano y mquina. La co-creacin simtrica se define como un proceso colaborativo donde tanto el diseador humano como el sistema de IA contribuyen de manera equilibrada al proceso creativo, caracterizndose por tres elementos fundamentales: entendimiento mutuo (capacidad de ambos agentes para interpretar y responder a las acciones del otro), turn-taking colaborativo (alternancia organizada en la toma de decisiones y generacin de ideas), y visin compartida del objetivo de diseo (alineacin en los propsitos y criterios de evaluacin del proceso creativo)(Liao et al., 2020). Este enfoque representa un cambio paradigmtico desde el modelo tradicional "humano crea, mquina ejecuta" hacia "mquina crea, humano desarrolla", donde ambos agentes participan activamente en la generacin y refinamiento de soluciones(Liao et al., 2020). En este sentido, la IA no acta como sustituto del diseador, sino como catalizador que amplifica su potencial expresivo y analtico (Santiago et al., 2025).
Asimismo, los estudios analizados sealan que la adopcin efectiva de IA en procesos de diseo no depende nicamente de capacidades tcnicas, sino tambin de condiciones organizacionales y culturales. Las organizaciones que presentan culturas orientadas al aprendizaje, la exploracin y la colaboracin interdisciplinaria tienden a incorporar con mayor xito estos enfoques hbridos (Elsbach & Stigliani, 2018). Por ejemplo, investigaciones previas en Design Thinking han demostrado que organizaciones como Deutsche Bank lograron institucionalizar exitosamente enfoques centrados en el usuario a travs de culturas que valoraban la experimentacin y el cuestionamiento de suposiciones establecidas(Verganti et al., 2020). De manera similar, empresas como LEGO transformaron sus procesos de innovacin al adoptar culturas abiertas a la co-creacin con usuarios, transitioning desde modelos proteccionistas hacia enfoques colaborativos(Elsbach & Stigliani, 2018). Por el contrario, estructuras jerrquicas o con bajo nivel de alfabetizacin digital enfrentan mayores barreras para implementar sistemas de IA que verdaderamente integren el pensamiento centrado en el usuario. Estudios previos han identificado que organizaciones con culturas orientadas exclusivamente a la productividad y el rendimiento cuantitativo experimentan resistencia significativa hacia herramientas que requieren iteracin, experimentacin y tolerancia al fracaso(Cautela et al., 2019). Esto sugiere que la IA no solo requiere infraestructura, sino tambin transformacin cultural, estrategia institucional y liderazgo reflexivo que facilite la transicin hacia paradigmas de trabajo ms colaborativos y experimentales.
Desde una perspectiva tica y normativa, se observan avances considerables, aunque an fragmentarios. Las propuestas de tica algortmica (es decir, marcos normativos para el desarrollo responsable de sistemas de IA) incluyen enfoques como la "tica por diseo" (ethics-by-design), que integra consideraciones ticas desde las primeras etapas de desarrollo tecnolgico (Lee et al., 2025). Asimismo, se han establecido principios fundamentales como la explicabilidad (capacidad de entender cmo la IA toma decisiones), la transparencia (claridad sobre el funcionamiento del sistema) y la justicia algortmica (prevencin de discriminacin automatizada). Sin embargo, pocos estudios aplican estos principios de manera integrada a lo largo del ciclo DT. Esta carencia es crtica considerando que los sesgos en los algoritmos, las decisiones automatizadas sin supervisin y la falta de responsabilidad clara (accountability) pueden generar consecuencias negativas no intencionadas, especialmente cuando se disean productos para contextos sociales sensibles. La propuesta de desarrollar sistemas de IA con un enfoque reflexivo y contextualizado, como plantea(Weller, 2019), cobra particular relevancia para diseadores industriales que crean productos con impacto directo en la vida de las personas.
Por otro lado, desde un enfoque macro, algunos estudios como (Mentzas et al., 2024; Verganti et al., 2020) coinciden en que la integracin IADT debe alinearse con el paradigma de la Industria 5.0, que promueve una visin ms humanista, regenerativa e inclusiva de la tecnologa. En este nuevo marco, el diseo se redefine como actividad de sensemaking, y el diseador como mediador en procesos colaborativos donde humanos y sistemas de IA intercambian conocimiento, siendo la IA un agente que sugiere alternativas, captura patrones de uso y transforma datos en conocimiento aplicable al diseo. Este enfoque relocaliza el valor del diseo en la creacin de sentido ms que en la produccin de soluciones, articulando una visin ms coherente con los desafos de sostenibilidad, diversidad y responsabilidad contemporneos.
Finalmente, los resultados permiten afirmar que la convergencia entre IA y DT no representa una amenaza a la figura del diseador industrial, sino una oportunidad para ampliar su campo de accin, adquirir nuevas competencias y posicionarse como mediador entre la lgica computacional y la experiencia humana. Sin embargo, para que esta transformacin sea sostenible, debe ir acompaada de procesos formativos rigurosos, regulacin tica, fortalecimiento institucional y co-construccin interdisciplinaria. La IA, por s sola, no resuelve los dilemas del diseo, pero puede ser una aliada estratgica si se implementa desde un enfoque centrado en el usuario, tico y culturalmente informado.
Conclusiones
La presente revisin sistemtica permite establecer que la integracin de la Inteligencia Artificial en el enfoque de Design Thinking est transformando de manera estructural las prcticas del diseo industrial centrado en el usuario. Esta transformacin no se limita a la incorporacin de nuevas herramientas, sino que implica una evolucin metodolgica, organizacional y tica en los modos de concebir la creatividad, la iteracin y la toma de decisiones.
Los hallazgos evidencian que la IA se implementa con mayor frecuencia en las fases de ideacin, prototipado y testeo, donde acta como agente generador, optimizador y evaluador. En estas etapas, la IA no solo mejora la eficiencia del proceso, sino que expande el campo creativo del diseador al ofrecer alternativas que no seran fcilmente alcanzables por medios tradicionales. Por otro lado, la menor presencia de IA en las fases de empata y definicin indica que an persisten desafos significativos en cuanto a la interpretacin computacional del contexto humano y emocional.
Asimismo, el estudio identifica tres roles funcionales predominantes de la IA dentro del proceso de diseo: herramienta, colaborador y coach creativo. Esta tipologa refleja una transicin desde una visin instrumental hacia una perspectiva ms colaborativa y simtrica, donde la IA acta como socio creativo del diseador. Sin embargo, para que esta colaboracin sea efectiva, se requiere no solo capacidad tcnica, sino tambin competencias humanas como el pensamiento crtico, la alfabetizacin algortmica y la sensibilidad tica.
El anlisis tambin resalta que la adopcin efectiva de IA en procesos de Design Thinking depende en gran medida de factores culturales y organizacionales. Las culturas abiertas al aprendizaje, la experimentacin y la transdisciplinariedad favorecen una implementacin ms rica y sostenible de tecnologas inteligentes. Por el contrario, contextos jerrquicos o rgidos tienden a limitar las oportunidades de co-creacin y aprendizaje hbrido.
Finalmente, se concluye que el diseo industrial contemporneo no puede prescindir de una reflexin profunda sobre las implicaciones de la inteligencia artificial. Ms all de su valor operativo, la IA debe ser integrada desde un enfoque humanista, responsable y centrado en el usuario. Esto exige nuevas pedagogas, marcos ticos adaptativos y estrategias institucionales que fomenten una innovacin verdaderamente inclusiva, crtica y regenerativa.
Recomendaciones para la Prctica
Con base en los hallazgos identificados, se proponen las siguientes recomendaciones especficas para abordar los desafos y oportunidades emergentes:
Para instituciones educativas: Desarrollar currculos transdisciplinarios que integren alfabetizacin algortmica, pensamiento crtico tecnolgico y tica aplicada al diseo, preparando profesionales capaces de mediar efectivamente entre sistemas de IA y experiencias humanas.
Para organizaciones: Implementar programas piloto de transformacin cultural que promuevan la experimentacin controlada, establezcan mtricas hbridas de evaluacin (cuantitativas y cualitativas), y fomenten espacios seguros para el aprendizaje desde el error antes de adoptar sistemas de IA a gran escala.
Para investigadores: Priorizar estudios longitudinales que documenten los efectos a largo plazo de la colaboracin humano-IA en procesos creativos, desarrollar metodologas para evaluar la calidad tica de sistemas de IA en diseo, e investigar estrategias para fortalecer la integracin de IA en las fases de empata y definicin.
Para diseadores profesionales: Cultivar competencias complementarias en interpretacin de algoritmos, gestin de sesgos computacionales y facilitacin de procesos hbridos, posicionndose como arquitectos de experiencias que equilibren eficiencia tecnolgica con significado humano.
Referencias
1. Andrade, R. A. P. (2023). Impacto de la Inteligencia Artificial en la toma de decisiones financieras corporativas. Revista Ingenio global, 2(1), 46-54.
2. As, İ., Pal, S., & Basu, P. (2018). Artificial intelligence in architecture: Generating conceptual design via deep learning. International Journal of Architectural Computing, 16(4), 306. https://doi.org/10.1177/1478077118800982
3. Bckle, M., & Kouris, I. (2023). Design Thinking and AI: A New Frontier for Designing Human‐Centered AI Solutions. Design Management Journal, 18(1), 20. https://doi.org/10.1111/dmj.12085
4. Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77. https://doi.org/10.1191/1478088706qp063oa
5. Briganti, G., & Moine, O. L. (2020). Artificial Intelligence in Medicine: Today and Tomorrow. Frontiers in Medicine, 7. https://doi.org/10.3389/fmed.2020.00027
6. Cautela, C., Mortati, M., DellEra, C., & Gastaldi, L. (2019). The impact of Artificial Intelligence on Design Thinking practice: Insights from the Ecosystem of Startups. Strategic Design Research Journal, 12(1). https://doi.org/10.4013/sdrj.2019.121.08
7. Chompunuch, S., & Lubart, T. (2025). AI as a Helper: Leveraging Generative AI Tools Across Common Parts of the Creative Process [Review of AI as a Helper: Leveraging Generative AI Tools Across Common Parts of the Creative Process]. Journal of Intelligence, 13(5), 57. Multidisciplinary Digital Publishing Institute. https://doi.org/10.3390/jintelligence13050057
8. Elsbach, K. D., & Stigliani, I. (2018). Design Thinking and Organizational Culture: A Review and Framework for Future Research [Review of Design Thinking and Organizational Culture: A Review and Framework for Future Research]. Journal of Management, 44(6), 2274. SAGE Publishing. https://doi.org/10.1177/0149206317744252
9. Harika, J., Baleeshwar, P., Navya, K. P., & Hariharan, S. (2022). A Review on Artificial Intelligence with Deep Human Reasoning [Review of A Review on Artificial Intelligence with Deep Human Reasoning]. 2022 International Conference on Applied Artificial Intelligence and Computing (ICAAIC), 81. https://doi.org/10.1109/icaaic53929.2022.9793310
10. Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, 61(4), 577. https://doi.org/10.1016/j.bushor.2018.03.007
11. Lee, J., Park, J., & Mostafa, N. A. (2025). Artificial Intelligence Dimensions and Design Features for the Knowledge-based Work of the Future: A Socio-Technical Perspective. Data Science and Management. https://doi.org/10.1016/j.dsm.2025.05.002
12. Lee, S.-H., Hwang, S., & Lee, K. (2024). Conversational Agents as Catalysts for Critical Thinking: Challenging Design Fixation in Group Design. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2406.11125
13. Liao, J., Hansen, P., & Chai, C. (2020). A framework of artificial intelligence augmented design support. Human-Computer Interaction, 35, 511. https://doi.org/10.1080/07370024.2020.1733576
14. Marcillo, F., Anzules, M. S. C., & Begnini, L. (2024). Heurstica aplicada en inteligencia artificial, una revisin sistemtica. Revista Cientfica Kosmos, 3(2), 81-94.
15. McLaughlin, J. E., Wolcott, M. D., Hubbard, D., Umstead, K., & Rider, T. R. (2019). A qualitative review of the design thinking framework in health professions education [Review of A qualitative review of the design thinking framework in health professions education]. BMC Medical Education, 19(1). BioMed Central. https://doi.org/10.1186/s12909-019-1528-8
16. Mentzas, G., Hribernik, K., Stahre, J., Romero, D., & Soldatos, J. (2024). Editorial: Human-Centered Artificial Intelligence in Industry 5.0.
17. Ouyang, C.-H., Chen, C.-C., Tee, Y., Lin, W., Kuo, L., Liao, C.-A., Cheng, C., & Liao, C. (2023). The Application of Design Thinking in Developing a Deep Learning Algorithm for Hip Fracture Detection. Bioengineering, 10(6), 735. https://doi.org/10.3390/bioengineering10060735
18. Palacio, I. C. A. (2021). Oportunidades para la transformacin digital de la cadena de suministro del sector bananero basado en software con inteligencia artificial. Revista Politcnica, 17(33), 47. https://doi.org/10.33571/rpolitec.v17n33a4
19. Rezwana, J., & Maher, M. L. (2022). Designing Creative AI Partners with COFI: A Framework for Modeling Interaction in Human-AI Co-Creative Systems. ACM Transactions on Computer-Human Interaction, 30(5), 1. https://doi.org/10.1145/3519026
20. Sachetti, L. L. S., & Mota, V. F. S. (2021). Time Series Prediction about Air Quality using LSTM-Based Models: A Systematic Mapping. arXiv (Cornell University). https://doi.org/10.48550/arXiv.2111.11848
21. Saeidnia, H. R., & Ausloos, M. (2024). Integrating Artificial Intelligence into Design Thinking: A Comprehensive Examination of the Principles and Potentialities of AI for Design Thinking Framework. InfoScience Trends, 1(2), 1. https://doi.org/10.61186/ist.202401.01.09
22. Santiago, J. B. S., Sendner, M., Ralser, D., & Meschtscherjakov, A. (2025). The AI of Oz: A Conceptual Framework for Democratizing Generative AI in Live-Prototyping User Studies. Applied Sciences, 15(10), 5506. https://doi.org/10.3390/app15105506
23. Sarabia, G. A. G. (2025). Integracin de la inteligencia artificial en la educacin secundaria. Horizon International Journal, 3(1), 4-12.
24. Shi, Y., Gao, T., Jiao, X., & Cao, N. (2023). Understanding Design Collaboration Between Designers and Artificial Intelligence: A Systematic Literature Review. Proceedings of the ACM on Human-Computer Interaction, 7, 1. https://doi.org/10.1145/3610217
25. Sreenivasan, A., & Suresh, M. (2024). Design thinking and artificial intelligence: A systematic literature review exploring synergies. International Journal of Innovation Studies, 8(3), 297. https://doi.org/10.1016/j.ijis.2024.05.001
26. Tumbaico, B. D. T. (2025). Impacto de la Inteligencia Artificial Generativa (IAG) en la personalizacin del aprendizaje en universidades latinoamericanas. Alpha International Journal, 3(1), 18-30.
27. Verganti, R., Vendraminelli, L., & Iansiti, M. (2020). Catalyst Innovation and Design in the Age of Artificial Intelligence.
28. Weller, A. J. (2019). Design Thinking for a User-Centered Approach to Artificial Intelligence. She Ji, 5(4), 394. https://doi.org/10.1016/j.sheji.2019.11.015
2025 por los autores. Este artculo es de acceso abierto y distribuido segn los trminos y condiciones de la licencia Creative Commons Atribucin-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
(https://creativecommons.org/licenses/by-nc-sa/4.0/).
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Polo del Conocimiento
Revista Científico-Académica Multidisciplinaria
ISSN: 2550-682X
Casa Editora del Polo
Manta - Ecuador
Dirección: Ciudadela El Palmar, II Etapa, Manta - Manabí - Ecuador.
Código Postal: 130801
Teléfonos: 056051775/0991871420
Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com
URL: https://www.polodelconocimiento.com/
