AI UX Design · Healthtech · App conversacional
Eunoia Care
Diseño de la capa de IA para una app de cuidadores.
App conversacional para cuidadores de pacientes crónicos. En tres momentos concretos, el comportamiento real del modelo me obligó a rediseñar la experiencia para evitar que la falta de confianza del usuario quebrara la adopción. Este case son esos tres momentos.
Las tres iteraciones
Tres momentos donde la precisión del modelo no bastó para generar confianza.
Setup
Antes de las iteraciones
El problema
El cuidador de un paciente crónico convive con información médica fragmentada: laboratorios, ecografías, internaciones, cirugías, indicaciones de varios especialistas, dosis que cambian. Toda esa información existe en algún lado — pero el cuidador tiene que recordarla, encontrarla, y traerla a la próxima consulta.
El olvido y la fragmentación son la fuente principal de ansiedad y de errores en el cuidado.
El research
Cinco entrevistas con cuidadores de distinto perfil: cuidadora principal full-time, coordinador remoto, hermana colaboradora, jubilado cuidando esposa con Alzheimer, madre de hijo con epilepsia.
Convergencia clara: el dolor raíz no es la cantidad de tareas. Es el olvido y la fragmentación. Todos coordinando por WhatsApp, libretas y planillas. Todos en blanco cuando el médico pregunta ¿cuándo fue la última infección?.
Cuatro decisiones base
Decisión 01
Memoria como base
Cualquier cosa que construyera arriba — alertas, recomendaciones, coordinación entre cuidadores — iba a colapsar si capture y retrieve no funcionaban primero. Por eso el primer foco fue la memoria, no las features.
Decisión 02
Eventos con historial
Elegí guardado por evento: cada evento (una infección urinaria, una cirugía, un tratamiento) tiene su propio historial completo — síntomas, estudios, medicación, dosis, evolución, cierre. La forma del storage define qué va a poder preguntar el cuidador después.
Decisión 03
Labs segmentados key-value
Los resultados de laboratorio se guardan segmentados como pares clave-valor (creatinina: 1.2, urea: 38, etc.). Eso permite consultas de evolución temporal: cómo evolucionó la creatinina en los últimos 6 meses.
Decisión 04
Captura por voz en dos pasos
Whisper transcribe el audio. Un agente supervisor procesa esa transcripción y la rutea: a clasificación de evento, a guardado, a lo que corresponda. Dos pasos en vez de uno por eficiencia de costo — cada modelo hace lo suyo.
Iteración 01
La consulta médica
Respondía bien. Pero la incertidumbre del formato mataba la utilidad.
El escenario
El cuidador está frente al médico. El tiempo es oro. El médico pregunta por un dato histórico. El cuidador consulta al asistente.
Diseñé
El asistente devuelve la información completa del evento. Fechas, síntomas, estudios y dosis. Técnicamente, un éxito de precisión.
No funcionó
En contexto real, la respuesta era un bloque de texto denso. El cuidador, bajo presión, no podía permitirse auditar la respuesta para encontrar el dato. Si el usuario siente que tiene que leer tres veces para estar seguro, pierde la confianza en la herramienta y vuelve al papel.
Cambié
Ajusté el prompt para respuestas atómicas y usé el diseño visual como señal de calibración. Los valores clave (dosis, fechas) ahora salen en negrita y formato lista.
El insight
La confianza se construye facilitando la verificación. Si el usuario puede escanear el dato en 1 segundo, se atreve a usarlo frente al médico.
Iteración 02
La categorización
La taxonomía rígida se sentía como un formulario. La confianza requiere personalización.
Diseñé
Una taxonomía cerrada y predecible (cirugía, urología, etc.). Fácil de programar, pero ajena a la realidad del paciente.
No funcionó
Cada paciente crónico es un ecosistema único. Forzar su realidad en categorías estándar generaba fricción. El usuario sentía que la IA no entendía su caso particular. Sin esa sensación de entendimiento, no hay delegación.
Cambié
Diseñé un agente especialista en clasificación que genera una taxonomía emergente. La IA mantiene el rigor clínico, pero adapta el árbol de datos a lo que el cuidador va registrando.
El insight
Una IA que se adapta al modelo mental del usuario genera una confianza que un formulario estático nunca podrá alcanzar.
Iteración 03
Las suggestion chips
La respuesta no era el final, era el principio del control.
Diseñé
Flujo lineal: Pregunta → Respuesta → Fin.
No funcionó
En el cuidado real, una respuesta siempre dispara una acción. ¿Cuándo fue el último análisis? lleva a ¿Querés compartirlo con el médico?. Obligar al usuario a tipear la siguiente pregunta en un contexto de manos ocupadas rompía el flujo y generaba frustración.
Cambié
Cada respuesta trae suggestion chips contextuales. La IA anticipa la necesidad, pero deja la decisión final en manos del humano.
El insight
La confianza es una escalera de control. Al ofrecer acciones encadenadas, el usuario siente que él dirige a la IA, eliminando la sensación de caja negra donde la conversación muere.
Lo que viene
Dos decisiones arquitectónicas todavía no validadas a escala
Pensadas en base al patrón de uso observado, todavía no validadas a escala con el modelo en producción.
Semantic cache + delta
Las consultas históricas se repiten — cuándo fue la última infección se pregunta antes de cada consulta médica, antes de cada llamada con un familiar. Cachear semánticamente el consolidado por paciente y agregar solo el delta de eventos nuevos optimiza tiempo de respuesta y costo en pacientes con historia larga.
Gráficos como modalidad primaria para evolución de valores
El cuidador no necesita una lista de números. Necesita ver la tendencia. Para creatinina, peso, urea, todo lo que evoluciona en el tiempo, el output natural es visual.
Conclusión
La confianza no se arregla en el prompt
Las tres iteraciones de Eunoia Care prueban mi tesis en Uncovering: las decisiones de IA UX más críticas no viven dentro de una sola capa.
- —La consulta médica se resolvió entre Prompt + UI.
- —La categorización se resolvió entre Arquitectura de datos + Agente.
- —Las chips se resolvieron entre Prompt + Arquitectura de acciones.
Cuando diseñamos productos con IA, el objetivo no es solo que el modelo sea preciso. El objetivo es diseñar una experiencia donde el usuario se sienta lo suficientemente seguro como para dejar de supervisar y empezar a delegar.