Delineo: Adaptación de modelo de difusión para prototipado de interfaz de usuario guiado por boceto

Silva, Matheus Mendes; Rodrigues, Edilson José

doi:10.22167/2675-6528-202603291

Artículo

13 de octubre de 2026

Delineo: Adaptación de modelo de difusión para prototipado de interfaz de usuario guiado por boceto

Matheus Mendes Silva; Edilson José Rodrigues

DOI: 10.22167/2675-6528-202603291

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

La evolución de la inteligencia artificial y de las redes neuronales profundas ha revolucionado las interacciones humano-máquina, pero la prototipación de interfaces de usuario con modelos generativos enfrenta desafíos críticos en la preservación de la estructura espacial idealizada. Para solucionar esta divergencia, se adaptó un modelo de difusión latente condicionada, integrando una arquitectura de control a un modelo a gran escala ajustado específicamente para interfaces móviles. El enfoque utilizó bocetos de interfaces de usuario para guiar la inferencia de las imágenes. La viabilidad del método fue validada mediante evaluación cuantitativa automatizada y análisis cualitativo realizado con un grupo de expertos de la industria. Los resultados confirmaron que el método superó las capacidades del modelo original, pero la evaluación evidenció degradación estética y pérdida de elementos funcionales en la estructuración lógica de la interfaz. Se concluyó que, si bien la tecnología demuestra viabilidad técnica para optimizar la transición entre requisitos y la implementación de código, la automatización de procesos creativos aún demanda mejoras arquitectónicas para alcanzar el rigor visual exigido por la industria del desarrollo de software.

Palabras clave: adaptación de bajo rango; aprendizaje automático; difusión latente condicionada; redes neuronales profundas.

1. Introducción

El proceso de desarrollo de software atraviesa cambios constantes, evolucionando para satisfacer el ritmo acelerado de la industria. Una parte fundamental de este ciclo es la creación de prototipos de interfaz de usuario, que define el recorrido del cliente y permite la validación de los requisitos antes de la implementación (Al-Saqqa et al., 2020). Esta etapa presenta una gran apertura para la exploración de metodologías basadas en inteligencia artificial (IA), pudiendo potenciar el proceso creativo y el aumento de la productividad.

La industria moderna busca desarrollar sistemas inteligentes e interactivos, tanto máquina-a-máquina como humano-máquina, impulsando la automatización de tareas y procesos realizados por humanos (Ismail y Hassan, 2019). Siguiendo esta tendencia, las inversiones globales en IA han presentado un crecimiento notable, especialmente en países como Estados Unidos, China y Reino Unido. En el sector corporativo, la adopción también crece rápidamente: el 78% de las organizaciones reportaron el uso de IA, de acuerdo con el AI Index Report 2025 de la Universidad de Stanford (HAI, 2025). En este contexto, diversos estudios exploran la utilización de inteligencia artificial generativa (GenAI) para automatizar etapas del ciclo de desarrollo de software, incluyendo la creación de documentación, producción de código, automatización de pruebas, e incluso la creación de agentes para auxiliar en la revisión de código y en la elaboración de arquitectura de sistemas digitales (Beltramelli, 2018; He et al., 2025; Wan et al., 2025; Wang et al., 2024).

La mayor parte de los estudios publicados se centra en la producción de código, generado a partir de especificaciones textuales o imágenes de interfaz de usuario (UI), frecuentemente elaboradas por equipos dedicados al proceso de diseño. En contraste con los estudios supracitados, el presente trabajo se centra en la etapa de concepción visual de UI. Este proceso precede a ambas rutas de desarrollo, ya sea por codificación manual, ya sea por generación de código con herramientas automatizadas, sirviendo como cimiento para todo el desarrollo de software subsiguiente (Lauff et al., 2018). Sin embargo, la aplicación de estas tecnologías para la prototipación de interfaces de usuario, además de poco explorada, enfrenta desafíos críticos, dado que los modelos generativos frecuentemente fallan en respetar la estructura espacial idealizada.

Los modelos de redes neuronales profundas se utilizan ampliamente para actividades que requieren capacidad generativa. Los modelos de difusión latente (LDM), una de las variantes de modelos de texto a imagen (T2I), destacan por presentar un rendimiento comparable al estado del arte y una mayor eficiencia computacional (Rombach et al., 2022). Aunque los modelos T2I son herramientas potentes para la generación de imágenes, la entrada textual desempeña un papel fundamental en los resultados obtenidos, y esta arquitectura puede generar resultados imprecisos e inestables al no permitir un mayor control del usuario sobre las imágenes generadas, lo que resulta en una experiencia negativa para personas no especializadas (Liu y Chilton, 2022; Mou et al., 2024). Considerando la naturaleza visual de las interfaces, la automatización de la prototipación de UI exige arquitecturas de redes neuronales capaces de comprender y sintetizar diseños respetando jerarquías visuales complejas. En este contexto, la investigación se basa en metodologías de generación condicionada de imágenes, anclando el proceso de inferencia en una imagen de referencia (Couairon et al., 2023; Mou et al., 2024; Zhang et al., 2023; Zhao et al., 2023).

Ante lo expuesto, el presente trabajo tiene como objetivo adaptar modelos de difusión latente para la generación de prototipos de alta fidelidad a través de entrenamiento suplementario, utilizando tecnologías de código abierto y bases de datos puestas a disposición públicamente. La hipótesis es que los adaptadores desarrollados superen las capacidades del modelo base original, garantizando mayor calidad visual y fidelidad estructural al boceto de referencia.

2. Material y Métodos

Para la composición de la base de datos de entrenamiento, se utilizaron conjuntos de datos públicos puestos a disposición por trabajos relacionados, que contienen imágenes de UI de aplicaciones móviles. La delimitación del alcance al ecosistema móvil tuvo como objetivo simplificar las estructuras jerárquicas y optimizar el proceso de inferencia debido a las menores dimensiones de las pantallas, reduciendo el costo computacional relacionado con la complejidad de los cálculos matriciales.

Base de datos

La base de datos MUD aportó aproximadamente 7.200 imágenes, cada una asociada a un archivo con metadatos de la jerarquía de componentes, detallando clases, coordenadas espaciales y otros atributos descriptivos (Feng et al., 2024). Complementariamente, se seleccionaron aproximadamente 1.700 imágenes de UI de la base de datos VINS, que también proporciona metadatos de componentes visuales y coordenadas espaciales anotadas por humanos (Bunian et al., 2021). Finalmente, se incorporaron aproximadamente 3.500 imágenes de bocetos de UI de la base SWIRE, creada en colaboración con profesionales de diseño (Huang et al., 2019). Cada boceto de esta base hace referencia a las imágenes de UI de la base Rico (Deka et al., 2017), pero la base Rico fue evitada debido a inconsistencias en los metadatos espaciales (Feng et al., 2024).

Preprocesamiento de datos

Se implementó una etapa de preprocesamiento para garantizar la consistencia de la base de entrenamiento. Inicialmente, se realizó un cribado de los metadatos para filtrar muestras con componentes no deseados (anuncios, “iframes”), texto en alfabeto no latino o capturas de pantalla en posición horizontal. La barra de notificación presente en las imágenes se recortó para evitar ruido y sesgos. Para enriquecer los datos, se generaron datos sintéticos para crear los bocetos correspondientes de las bases de datos compuestas únicamente por imágenes de UIs. La generación de las imágenes se realizó mediante scripts desarrollados en Python, adaptados a la estructura de los metadatos de cada base de datos. El algoritmo procesa los metadados de jerarquía de componentes de cada UI y utiliza la información de clase y coordenadas para dibujar la representación de los componentes relevantes utilizando la biblioteca de visión computacional OpenCV (Bradski, 2000). El resultado de este proceso son imágenes de fondo negro y trazos blancos que mantienen la proporción de aspecto de las imágenes de UI originales, con pequeñas distorsiones y ruidos aleatorios añadidos para diversidad, como se ilustra en la Figura 1.

Figura 1. Ejemplo de los resultados del preprocesamiento y la generación de un boceto sintético

Fuente: Datos originales de la investigación

A continuación, todas las imágenes se redimensionaron a la resolución objetivo de 720 píxeles de ancho por 1280 píxeles de alto, preservando la proporción original. Finalmente, se generaron las instrucciones textuales complementarias a los bocetos. Las imágenes fueron sometidas a la “application program interface” [API] del modelo multimodal “Gemini 2.0 Flash” (Google, 2025), a través de un script desarrollado en Python. Se elaboró un “system prompt” para estandarizar la descripción de los estilos y elementos visuales, así como para identificar y descartar muestras con ruido excesivo o baja calidad estética.

Hardware, infraestructura y herramientas

Para el desarrollo de los scripts de preprocesamiento, entrenamiento y evaluación cuantitativa, se adoptó el lenguaje de programación Python. La investigación se fundamentó en el ecosistema de software libre, utilizando bibliotecas de código abierto como Open CV (Bradski, 2000), PyTorch (Paszke et al., 2019), Diffusers (von Platen et al., 2022), Transformers (Wolf et al., 2020) y Accelerate (Gugger et al., 2020). La infraestructura computacional consistió en una unidad de procesamiento gráfico [GPU] NVIDIA A100, equipada con 80 GB de memoria de video de alto rendimiento, asignada a través de un servicio de computación en la nube. Los scripts desarrollados se encuentran disponibles en https://github.com/mendexjs/delineo.

Modelo de difusión base

Considerando el volumen de la base de datos y los recursos computacionales limitados, la estrategia adoptada consistió en un entrenamiento suplementario de un modelo con parámetros congelados. El LDM “Stable Diffusion” [SD] fue elegido como modelo base debido a su eficiencia computacional y amplia utilización en trabajos correlatos (Rombach et al., 2022). El SD ejecuta el proceso iterativo de remoción de ruido en un espacio latente de dimensión reducida, lo que disminuye el consumo de memoria durante la inferencia. La versión más reciente, SD 3, introdujo una arquitectura “multimodal diffusion transformer”, que utiliza pesos distintos para el procesamiento de las modalidades textual y visual, resultando en un desempeño superior en adherencia al prompt y generación de tipografía (Esser et al., 2024). Esta arquitectura añade el codificador de texto “Text-To-Text Transfer Transformer” [T5] (Raffel et al., 2020), mejorando la capacidad de comprensión de semántica y renderización de texto comparado al CLIP (Radford et al., 2021). Pruebas demostraron que el T5 mejora los resultados con instrucciones más largas y detalladas, aspecto relevante para la generación precisa de elementos de UI.

Arquitectura de control condicionado

Para mejorar los resultados de los LDM, Zhang et al. (2023) introdujeron “ControlNet”, una arquitectura que permite condicionar la generación de imágenes a través de información espacial adicional. Como módulo acoplado, “ControlNet” garantiza la estabilidad del entrenamiento, manteniendo inalterados los pesos y parámetros originales del modelo base, delegando la estructura espacial a la red de control y los detalles visuales al modelo de difusión. El entrenamiento completo de una arquitectura “ControlNet” requiere un gran volumen de datos y recursos computacionales. El presente estudio optó por la adaptación de una red “ControlNet canny edges” mediante entrenamiento suplementario, debido a la similitud visual entre imágenes de contornos y bocetos de UI. Para ello, se utilizó la base de datos de entrenamiento, que contiene aproximadamente 12.400 imágenes. La Tabla 1 presenta las configuraciones y los hiperparámetros utilizados en el entrenamiento.

Tabla 1. Configuración de entrenamiento e hiperparámetros de la red “ControlNet”

Parámetro / Hiperparámetro	Valía	Descripción
Arquitectura del modelo	“Stable Diffusion 3.5 Large”	Modelo de difusión base
Arquitectura de control	“ControlNet Canny”	Módulo de control entrenado
Resolución de entrenamiento	1024×1024	Resolución para redimensionamiento
Precisión numérica	bf16	Formato de precisión mixta
Optimizador	Adam de 8 bits	Versión cuantizada de AdamW para ahorrar VRAM
Tasa de aprendizaje	10-5	Tasa de aprendizaje fija
Tamaño de lote efectivo	32	Muestras acumuladas antes de la actualización de los pesos
Épocas de entrenamiento	18	Pasajes completos a través del conjunto de datos
“Gradient Checkpointing”	Activado	Optimización de memoria para entrenamiento de alta resolución

Fuente: Datos originales de la investigación

Adaptador de bajo rango

Durante las pruebas preliminares, se observó que las imágenes generadas no presentaban consistencia estética y variaban en calidad visual. Para solucionar esto, se añadió al “pipeline” un adaptador de bajo rango [LoRA], responsable de inyectar matrices entrenables de descomposición de bajo rango. Este tipo de adaptación se utiliza para añadir matices estilísticos y características específicas a modelos generativos sin necesidad de un gran volumen de datos (Hu et al., 2022; Gandikota et al., 2024; Wu et al., 2024). Para el entrenamiento del LoRA, se recolectaron manualmente 156 imágenes de UIs modernas y de categorías distintas, extraídas de repositorios gratuitos especializados en diseño. La generación de las instrucciones textuales siguió el mismo proceso y “system prompt” aplicados en las bases de entrenamiento de la red “ControlNet”. El conjunto de datos pasó por un preprocesamiento para estandarizar el tamaño de las imágenes y reducir la discrepancia de representatividad de las categorías con menor número de muestras, aplicando una estrategia de sobremuestreo controlado, definiendo como objetivo de balanceo el percentil 75 del volumen de muestras entre las clases, con un límite estricto de cuatro repeticiones para muestras de categorías minoritarias. La Tabla 2 presenta las configuraciones y los hiperparámetros utilizados.

Tabla 2. Configuración e hiperparámetros para el entrenamiento del adaptador de bajo rango

Parámetro / Hiperparámetro	Valía	Descripción
Arquitectura del modelo	“Stable Diffusion 3.5 Large”	Modelo de difusión base
Rango	64	Puesto de la matriz entrenable
Resolución de entrenamiento	1024×1024	Resolución para redimensionamiento
Precisión numérica	bf16	Formato de precisión mixta
Tasa de aprendizaje	10-4	Tasa de aprendizaje de la red “Transformer”
Tasa de aprendizaje del codificador de texto	10-5	Tasa de aprendizaje utilizada en los codificadores de entrada textual
Tamaño de lote efectivo	2	Muestras acumuladas antes de la actualización de los pesos
Pasos de entrenamiento	1000	Límite de pasos para entrenamiento
Planificador de Tasa de Aprendizaje	“coseno”	Reduce la tasa de aprendizaje a lo largo del entrenamiento
Pasos de Calentamiento	150	Pasos para la transición de la tasa de aprendizaje de 0 hasta valor máximo
“Gradient Checkpointing”	Activado	Optimización de memoria para entrenamiento de alta resolución

Fuente: Datos originales de la investigación

Evaluación cuantitativa

Debido a la especificidad del dominio de las interfaces de usuario, las métricas comúnmente utilizadas en la evaluación de modelos T2I (como CLIPScore y LPIPS) han demostrado ser limitadas (Hessel et al., 2021; Zhang et al., 2018). Se adoptó una estrategia de evaluación más compatible con los objetivos del estudio, comparando la instrucción textual original con una descripción textual de la imagen, generada por el mismo proceso utilizado en la construcción del conjunto de entrenamiento. Para ello, se utilizó la técnica “Sentence-BERT” [SBERT] (Reimers y Gurevych, 2019), que proyecta frases enteras en vectores densos para calcular la similitud semántica. Para adaptar la métrica al dominio de UIs, se establecieron límites empíricos mínimos y máximos. El límite máximo empírico (Tmax) se definió a partir de un experimento de variación, donde se generaron 20 leyendas distintas para 44 imágenes de UIs, y se computó la similitud del SBERT entre todos los pares posibles de leyendas. El 10° percentil de la distribución estadística de estas puntuaciones se adoptó como Tmax, como se ilustra en la Figura 2.

Figura 2. Histograma de la distribución de similitud (SBERT) para la definición del límite máximo empírico de consistencia

Fuente: Datos originales de la investigación

En contraste, el límite inferior empírico (Tmin) se estableció para definir un nivel mínimo de similitud derivado del ruido intrínseco al dominio. Para estimar este nivel, se utilizaron los subtítulos del conjunto de datos de entrenamiento de “ControlNet” para generar 50.000 pares aleatorios, permitiendo calcular la similitud residual del SBERT entre las descripciones de las UIs. La Figura 3 ilustra la distribución estadística obtenida, y el percentil 75 se definió como Tmin.

Figura 3. Histograma de la distribución de similitud (SBERT) entre pares aleatorios no combinados, utilizado para la definición del límite inferior empírico de similitud residual

Fuente: Datos originales de la investigación

La etapa final de la calibración consistió en estandarizar los resultados brutos de la métrica utilizando la técnica de escalamiento “Min-Max” unida a un mecanismo de limitación rígida. La Similitud Semántica Normalizada [SSN] se calculó mediante la fórmula (1):

SSN = min (1, max (0, (Sobs – Tmin) / (Tmax – Tmin))) (1)

donde: Sobs: es la similitud de coseno bruta observada; Tmin: es el límite inferior empírico; y Tmax: es el límite superior empírico. Esta función penaliza muestras ruidosas, poniendo a cero el resultado si el valor bruto es menor o igual al límite inferior, y asigna la nota máxima si alcanza o supera el techo empírico. Para la fase de evaluación, se utilizó un subconjunto independiente de 44 muestras, separado previamente del conjunto de entrenamiento. Para cada par de boceto e instrucción textual, se generaron diez imágenes utilizando “seeds” fijas, y la similitud entre la muestra generada y la respectiva instrucción de entrada se calculó para obtener una estimación media del rendimiento.

Evaluación cualitativa

Además del análisis cuantitativo, se realizó una evaluación por parte de profesionales del área para comprender matices subjetivos. Para ello, se elaboró un cuestionario estructurado, aplicado de forma anónima y en línea, compuesto por una sección de caracterización del perfil de los encuestados y seis bloques de evaluación de las muestras. La muestra de conveniencia estuvo compuesta por 20 profesionales de las áreas de “UI/UX design” y desarrollo “frontend” con residencia en Brasil o Estados Unidos y experiencia mínima de tres años en la industria del software. Se preguntó a los participantes sobre la calidad estética, la fidelidad estructural y la utilidad práctica de la herramienta, utilizando una escala Likert de cinco puntos para la evaluación (Likert, 1932). Para la selección de las muestras sometidas a evaluación cualitativa, se utilizó la métrica SSN como criterio de filtrado. La selección se realizó de forma intencional, considerando los resultados obtenidos por la métrica y la disponibilidad limitada de recursos humanos. El número reducido de especialistas y la selección no aleatoria de las muestras constituyen limitaciones metodológicas que deben considerarse en la interpretación de los resultados de la evaluación. Este enfoque cualitativo tuvo como objetivo validar la percepción de los profesionales en un contexto cercano al uso real, permitiendo evaluar el nivel de aceptación de la aplicación y su potencial para ayudar en el flujo de trabajo de profesionales de las áreas de desarrollo de UIs.

3. Resultados y Discusión

La evaluación de los resultados se llevó a cabo mediante un análisis cuantitativo de similitud semántica y una evaluación cualitativa con profesionales de la industria, seguida de una comparación con modelos de difusión existentes.

Similitud de los “embeddings” SBERT

La Similitud Semántica Normalizada (SSN) se calculó para 440 muestras de interfaces de usuario. La Tabla 3 consolida las métricas globales obtenidas en este experimento.

Tabla 3. Análisis estadístico de la similitud semántica normalizada entre “embeddings”

Indicador	Valía
Media	0,6181
Desviación estándar	0,4021
percentil 10	0
percentil 25	0
La mediana	0,7928
Percentil 75°	0,9843
Percentil 90°	1

Fuente: Resultados originales de la investigación

La Figura 4 ilustra la distribución de frecuencia de los resultados de la SSN.

Figura 4. Distribución de la SSN entre las instrucciones textuales originales y las descripciones extraídas de las muestras generadas

Fuente: Resultados originales de la investigación

El análisis cuantitativo de las 440 muestras de validación indicó que el modelo logra capturar la intención de la instrucción la mayoría de las veces, con una mediana global de 0,7928. Sin embargo, la media global de 0,6181 y la desviación estándar de 0,4021 resaltan la naturaleza estocástica del proceso de generación y la inconsistencia entre las UIs generadas, especialmente con diferentes niveles de complejidad. Se observó que una misma entrada puede generar desempeños opuestos dependiendo de la “seed” utilizada en la inferencia.

Los percentiles 10 y 25 registraron el valor mínimo de cero, lo que, debido al mecanismo de corte de la normalización SSN, indica que al menos el 25% de las pruebas de inferencia fallaron por presentar solo similitud artificial con las instrucciones textuales originales. Este comportamiento volátil y polarizado corrobora hallazgos en trabajos correlacionados (Avrahami et al., 2024; Ho et al., 2020; Xu et al., 2023), reforzando la importancia de generar múltiples imágenes y aplicar un filtro riguroso de adherencia semántica antes de la evaluación humana. Con base en este análisis, se seleccionaron manualmente seis muestras de alta fidelidad para la evaluación cualitativa.

Evaluación de los profesionales de la industria

La evaluación cualitativa involucró a 20 profesionales (65% desarrolladores frontend, 35% diseñadores UI/UX), con el 70% en Brasil y el 30% en Estados Unidos. La mayoría (80%) utiliza IA diariamente, y el 85% ya ha aplicado soluciones de IA para la generación de mockups o prototipos de UI. Los participantes evaluaron seis criterios (Q1 a Q6) en una escala Likert de cinco puntos, agrupados en desempeño satisfactorio, poco satisfactorio o nada satisfactorio.

Las Figuras 5 a 10 presentan los resultados de la evaluación para las muestras seleccionadas.

Figura 5. Resultados de la evaluación de los profesionales para la primera muestra seleccionada

Fuente: Resultados originales de la investigación

Figura 6. Resultados de la evaluación de los profesionales para la segunda muestra seleccionada

Fuente: Resultados originales de la investigación

Figura 7. Resultados de la evaluación de los profesionales para la tercera muestra seleccionada

Fuente: Resultados originales de la investigación

Figura 8. Resultados de la evaluación de los profesionales para la cuarta muestra seleccionada

Fuente: Resultados originales de la investigación

Figura 9. Resultados de la evaluación de los profesionales para la quinta muestra seleccionada

Fuente: Resultados originales de la investigación

Figura 10. Resultados de la evaluación de los profesionales para la sexta muestra seleccionada

Fuente: Resultados originales de la investigación

Los datos consolidados para la afirmación Q1 (precisión de la UI al reflejar el contexto funcional) indicaron que el 77% de las muestras tuvieron un rendimiento satisfactorio. Este hallazgo sugiere que el modelo comprende el contexto funcional de las solicitudes en la mayoría de los escenarios. Sin embargo, la muestra de la Figura 10 presentó un 28,6% de desaprobación, lo que indica fallos de comprensión semántica en ciertos matices.

La afirmación Q2 (fidelidad estructural al esquema original) reveló que interfaces de baja complejidad, como las pantallas de inicio de sesión y onboarding (Figuras 6 y 8), alcanzaron un 85,7% y un 81% de aprobación, respectivamente. Esto demuestra que el modelo respetó los límites del esquema. En contraste, muestras más complejas obtuvieron entre un 52,4% y un 61,9% de satisfacción, sugiriendo que la adecuación de la estructura geométrica fue menos eficaz en escenarios de mayor complejidad.

La viabilidad técnica de las UIs generadas (Q5) recibió una recepción positiva, con una aprobación media del 78,6%. Este resultado indica que el pipeline generativo establece una arquitectura de componentes bien definida y una organización estructural lógica, lo que puede reducir la fricción en la implementación del código.

Por el contrario, los criterios Q3 (eficacia de la jerarquía visual) y Q4 (calidad estética general) presentaron los mayores índices de reprobación, con un 21,4% y un 19,8% de evaluaciones nada satisfactorias, respectivamente. La muestra de la Figura 10, por ejemplo, tuvo un 42,9% de reprobación para Q3, donde el modelo suprimió elementos críticos e introdujo artefactos textuales deformados, comprometiendo la integridad visual. Esta divergencia destaca que, aunque la estructura técnica pueda ser satisfactoria, los profesionales mantienen una alta exigencia estética, penalizando tipografías desordenadas u omisiones estructurales que perjudican la claridad comunicacional.

La evaluación de la calidad general (Q6) registró una media global del 50,8% de desempeño satisfactorio. La segmentación de las respuestas reveló polarización: los ingenieros frontend demostraron mayor tolerancia a anomalías visuales (61,9% de aprobación), valorando la agilidad en la estructuración inicial. Por su parte, los diseñadores UI/UX presentaron un índice de rechazo del 50%, con solo el 28,6% de evaluaciones satisfactorias, indicando mayor sensibilidad a la pérdida de fidelidad a los bocetos y a la degradación estética.

Comparativa con el estado del arte

Para comparar el Delineo con modelos multimodales de referencia, se realizaron pruebas de inferencia con las mismas muestras, utilizando el modelo Gemini 2.5-flash-image de Google (2025), el gpt-image-1.5 de OpenAI (2026) y el modelo base original Stable Diffusion 3.5 Large (Rombach et al., 2022). La Figura 11 ilustra este comparativo.

Figura 11. Comparativa del Delineo contra los modelos más potentes de la actualidad

Fuente: Resultados originales de la investigación

El comparativo demuestra que los resultados generados por Delineo superan las capacidades del modelo base original en prototipado de UI. La capacidad de Delineo para la generación de la estructura es equiparable a la de los modelos más potentes del mercado. En términos estéticos, Delineo se muestra más cercano a los estándares de la industria, con un aspecto más moderno y profesional que los resultados de los otros modelos, lo que atestigua la eficiencia del adaptador de bajo rango (LoRA) como parte esencial del pipeline. Los modelos de Google y OpenAI, por otro lado, demostraron menor olvido de elementos solicitados y mayor capacidad de razonamiento, logrando elaborar contenido textual relevante y añadir elementos no especificados, pero comunes al contexto semántico de la UI.

Los resultados indican que la adaptación de un modelo de difusión latente condicionada para la prototipación de interfaces de usuario es técnicamente viable. El modelo Delineo superó el rendimiento del modelo base original, presentando capacidad para generar estructuras de UI con fidelidad al boceto y un nivel estético más alineado a los estándares de la industria en comparación con otros modelos de difusión. Sin embargo, la evaluación cualitativa reveló que, aunque la arquitectura de componentes está bien definida y la viabilidad técnica para la implementación es alta, aún persisten desafíos significativos en la generación de tipografía precisa y en el mantenimiento de la calidad estética y la jerarquía visual en UIs de alta complejidad. La polarización en las percepciones de los profesionales, especialmente entre desarrolladores frontend y diseñadores UI/UX, destaca la necesidad de mejoras arquitectónicas para cumplir con el rigor visual y la usabilidad exigidos por la industria del desarrollo de software.

4. Conclusión

El presente estudio tuvo como objetivo adaptar modelos de difusión latente para la generación de prototipos de alta fidelidad, utilizando entrenamiento suplementario y recursos de código abierto. Se verificó, mediante evaluación cuantitativa, que el modelo Delineo logró capturar la intención de las instrucciones textuales en la mayoría de las muestras, aunque demostró inconsistencia y fallas en la similitud semántica en escenarios de mayor complejidad. La evaluación cualitativa con expertos de la industria confirmó la viabilidad técnica del enfoque y la capacidad del modelo para generar estructuras de interfaz de usuario con fidelidad al boceto original para diseños más simples. Se observó que Delineo superó el rendimiento del modelo base original y presentó un nivel estético más alineado a los estándares de la industria en comparación con otros modelos de difusión, estableciendo una arquitectura de componentes bien definida que puede optimizar la transición entre requisitos visuales y la implementación de código.

Sin embargo, la investigación evidenció desafíos significativos, como la degradación estética, la pérdida de elementos funcionales en la estructuración lógica de la interfaz y la dificultad en la generación de tipografía precisa, especialmente en interfaces de alta complejidad. La naturaleza estocástica del proceso de generación y la polarización en las percepciones de los profesionales, con diseñadores UI/UX demostrando mayor sensibilidad a las fallas visuales, destacaron la necesidad de mejoras. Las limitaciones del estudio incluyeron el grupo reducido de especialistas en la evaluación cualitativa y la escasez de bases de datos públicas diversificadas. Se sugiere que estudios futuros se enfoquen en mejoras arquitectónicas para elevar el rigor visual y la usabilidad, además de explorar técnicas que demanden menor volumen de datos para el entrenamiento de nuevos modelos generativos, buscando equilibrar la agilidad técnica con la excelencia estética exigida por la industria de desarrollo de software.

Referencias Bibliográficas

Al-Saqqa, S.; Sawalha, S.; Abdel-Nabi, H. 2020. Agile software development: methodologies and trends. International Journal of Interactive Mobile Technologies 14(11): 246.

Avrahami, O.; Hertz, A.; Vinker, Y.; Arar, M.; Fruchter, S.; Fried, O.; Cohen-Or, D.; Lischinski, D. 2024. The chosen one: consistent characters in text-to-image diffusion models. In: Proceedings of SIGGRAPH ’24: Special Interest Group on Computer Graphics and Interactive Techniques Conference, 2024, Denver, CO, EUA. Anais… p. 1-12.

Beltramelli, T. 2018. Pix2code: generating code from a graphical user interface screenshot. In: Proceedings of the EICS ’18: ACM Symposium on Engineering Interactive Computing Systems, 2018, Paris, França. Anais… p. 1-6.

Bradski, G. 2000. The opencv library. Dr. Dobb’s Journal: Software Tools for the Professional Programmer 25(11): 120-123.

Bunian, S.; Li, K.; Jemmali, C.; Harteveld, C.; Fu, Y. El-Nasr, M.S. 2021. VINS: visual search for mobile user interface design. In: Proceedings of the Conference on Human Factors in Computing Systems, 2021, Yokohama, Japão. Anais… p. 1-14.

Couairon, G.; Careil, M.; Cord, M.; Lathuilière, S.; Verbeek, J. 2023. Zero-shot spatial layout conditioning for text-to-image diffusion models. In: Proceedings of the IEEE/CVF International Conference on Computer Vision, 2023, Paris, França. Anais… p. 1274-2183.

Deka, B.; Huang, Z.; Franzen, C.; Hibschman, J.; Afergan, D.; Li, Y.; Nichols, J.; Kumar, R. 2017. Rico: a mobile app dataset for building data-driven design applications. In: UIST ’17: Proceedings of the 30th Annual ACM Symposium on User Interface Software and Technology, 2017, Québec, Canadá. Anais… p. 845-854.

Esser, P.; Kulal, S.; Blattmann, A.; Entezari, R.; Müller, J.; Saini, H.; Levi, Y.; Lorenz, D.; Sauer, A.; Boesel, F.; Podell, D.; Dockhorn, T.; English, Z.; Lacey, Z.; Goodwin, A.; Marek, Y.; Rombach, R. 2024. Scaling rectified flow transformers for high-resolution image synthesis. In: Proceedings of the International Conference on Machine Learning, 2024, Vienna, Austria. Anais… p. 12606-12633.

Feng, S.; Ma, S.; Wang, H.; Kong, D.; Chen, C. 2024. MUD: towards a large-scale and noise-filtered UI dataset for modern style UI Modeling. In: Proceedings of the CHI Conference on Human Factors in Computing Systems, 2024, Honolulu, HI, EUA. Anais… p. 1-14.

Gandikota, R.; Materzyńska, J.; Zhou, T.; Torralba, A.; Bau, D. 2025. Concept Sliders: LoRA Adaptors for Precise Control in Diffusion Models. p. 172-188. In: Leonardis, A.; Ricci, E.; Roth, S.; Russakovsky, O.; Sattler, T.; Varol, G. Computer Vision – ECCV 2024: Lecture Notes in Computer Science. v.15098. Springer, Cham, Suiça.

Google. 2025. Gemini models. Disponível em https://ai.google.dev/gemini-api/docs/models. Acesso em 08 abr. 2026.

Gugger, S.; Debut, L.; Wolf, T.; Schmid, P.; Mueller, Z.; Mangrulkar, S.; Sun, M.; Bossan, B. 2022. Accelerate: training on any device with PyTorch. Disponível em https://github.com/huggingface/accelerate. Acesso em 07 fev. 2026.

He, J.; Treude, C.; Lo, D. 2025. LLM-based multi-agent systems for software engineering: literature review, vision, and the road ahead. ACM Transactions of Software Engineering and Methodology 34(5): 164-193.

Hessel, J.; Holtzman, A.; Forbes, M.; Bras, R. L.; Choi, Y. 2021. ClipScore: a reference-free evaluation metric for image captioning. In: Proceedings of the Conference on Empirical Methods in Natural Language Processing, 2021, Punta Cana, República Dominicana, Anais… p. 7514-7528.

Ho, J.; Jain, A.; Abbeel, P. 2020. Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems, 1(33): 6840-6851.

Hu, E. J.; Shen, Y.; Wallis, P.; Allen-Zhu, Z.; Li, Y.; Wang, S.; Wang, L.; Chen, W. 2022. Lora: low-rank adaptation of large language models. In: Proceedings of the International Conference on Learning Representations, 2022, virtual. Anais… p. 1-26.

Huang, F.; Canny, J. F.; Nichols, J. 2019. Swire: sketch-based user interface retrieval. In: Proceedings of the CHI Conference on Human Factors in Computing Systems, 2019, Glasgow, Escócia. Anais… p. 1-10.

Ismail, A.A.; Hassan, R. 2019. Technical competencies in digital technology towards industrial revolution 4.0. Journal of Technical Education and Training 11(3): 55-62.

Lauff, C. A.; Kotys-Schwartz, D.; Rentschler, M. E. 2018. What is a prototype? What are the roles of prototypes in companies?. Journal of Mechanical Design 140(6): 061102.

Likert, R. 1932. A technique for the measurement of attitudes. Archives of Psychology 22(140): 1-55.

Liu, V.; Chilton, L. B. 2022. Design guidelines for prompt engineering text-to-image generative models. In: Proceedings of the CHI Conference on Human Factors in Computing Systems, 2022, New Orleans, LA, EUA. Anais… p. 1-23.

Mou, C.; Wang, X.; Xie, L.; Wu, Y.; Zhang, J.; Qi, Z.; Shan, Y. 2024. T2i-adapter: learning adapters to dig out more controllable ability for text-to-image diffusion models. In: Proceedings of the AAAI Conference on Artificial Intelligence 38(5): 4296-4304.

OpenAI. 2026. Image generation. Disponível em https://developers.openai.com/api/docs/models/gpt-image-1.5. Acesso em 08 abr. 2026.

Paszke, A.; Gross, S.; Massa, F.; Lerer, A.; Bradbury, J.; Chanan, G.; Killeen. T.; Lin, Z.; Gimelshein, N.; Antiga, L.; Desmaison, A.; Köpf, A.; Yang, E.; DeVito, Z.; Raison, M.; Tejani, A.; Chilamkurthy, S.; Steiner, B.; Fang, L.; Bai, J.; Chintala, S. 2019. PyTorch: an imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems 32: 8024-8035.

Radford, A.; Kim, J.W.; Hallacy, C.; Ramesh, A.; Goh, G.; Agarwal, S.; Sastry, G.; Askell, A.; Mishkin, P.; Clark, J.; Krueger, G.; Sutskever, I. 2021. Learning transferable visual models from natural language supervision. In: Proceedings of the International Conference on Machine Learning, 2021, virtual. Anais… 8748-8763.

Raffel, C.; Shazeer, N.; Roberts, A.; Lee, K.; Narang, S.; Matena, M.; Zhou, Y.; Li, W.; Liu, P.J. 2020. Exploring the Limits of transfer learning with a unified text-to-text transformer. Journal of Machine Learning Research 21(140): 1-67.

Reimers, N.; Gurevych, I. 2019. Sentence-bert: sentence embeddings using siamese bert-networks. In: Proceedings of the Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing, 2019, Hong Kong, China. Anais… 3982-3992.

Rombach, R.; Blattmann, A.; Lorenz, D.; Esser, P.; Ommer, B. 2022. High-resolution image synthesis with latent diffusion models. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2022, New Orleans, LA, EUA. Anais… p. 10684-10695.

Stanford Institute for Human-Centered AI [HAI]. 2025. The AI Index 2025 annual report. Disponível em https://hai.stanford.edu/assets/files/hai_ai_index_report_2025.pdf. Acesso em 24 out. 2025.

von Platen, P.; Patil, S.; Lozhkov, A.; Cuenca, P.; Lambert, N.; Rasul, K.; Davaadorj, M.; Wolf, T. 2022. Diffusers: state-of-the-art diffusion models. Disponível em https://github.com/huggingface/diffusers. Acesso em 07 fev. 2026.

Wan, Y.; Wang, C.; Dong, Y.; Wang, W.; Li, S.; Huo, Y.; Lyu, M. 2025. Divide-and-conquer: generating UI code from screenshots. Proceedings of the ACM on Software Engineering 2(FSE): 2099-2122.

Wang, J.; Huang, Y.; Chen, C.; Liu, Z.; Wang, S.; Wang, Q. 2024. Software testing with large language models: survey, landscape, and vision. IEEE Transactions on Software Engineering 50(4): 911-936.

Wolf, T.; Debut, L.; Sanh, V.; Chaumond, J.; Delangue, C.; Moi, A.; Cistac, P.; Rault, T.; Louf, R.; Funtowicz, M.; Davison, J.; Shleifer, S.; von Platen, P.; Ma, C.; Jernite, Y.; Plu, J.; Xu, C.; Le Scao, T.; Gugger, S.; Drame, M.; Lhoest, Q.; Rush, A. M. 2020. Transformers: state-of-the-art natural language processing. In: Proceedings of the Conference on Empirical Methods in Natural Language Processing: System Demonstration: 38-45.

Wu, X.; Huang, S.; Wei, F. 2024. Mixture of LoRA experts. In: Proceedings of the International Conference on Learning Representations, 2024, Vienna, Austria. Anais… p. 1-17.

Xu, S.; Ma, Z.; Huang, Y.; Lee, H.; Chai, J. 2023. Cyclenet: rethinking cycle consistency in text-guided diffusion for image manipulation. Advances in Neural Information Processing Systems, 1(36), 10359-10384.

Zhang, L.; Rao, A.; Agrawala, M. 2023. Adding conditional control to text-to-image diffusion models. In: Proceedings of the IEEE/CVF International Conference on Computer Vision, 2023, Paris, França. Anais… p. 3836-3847.

Zhang, R.; Isola, P.; Efros, A. A.; Shechtman, E.; Wang, O. 2018. The unreasonable effectiveness of deep features as a perceptual metric. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, San Francisco, CA, EUA. Anais… p. 586-595.

Zhao, S.; Chen, D.; Chen, Y.; Bao, J.; Hao, S.; Yuan, L.; Wong, K. 2023. Uni-ControlNet: all-in-one control to text-to-image diffusion models. Proceedings of the International Conference on Neural Information Processing Systems, 2023, New Orleans, LA, EUA. Anais… p. 11127-11150.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy

Más recientes

13 de octubre de 2026

“Marca”: viabilidad económica para moda sostenible LGBTQIA+ en São Paulo

13 de octubre de 2026

Predictores de mortalidad en ancianos con síndrome de dificultad respiratoria aguda por Influenza A(H1N1)pdm09 confirmada

13 de octubre de 2026

Construyendo la belleza desde temprano: comportamientos de consumo de maquillaje y cuidado de la piel en la Generación Alpha

13 de octubre de 2026

Una visión general comparativa de las flotas de vehículos eléctricos en Brasil y la Unión Europea

13 de octubre de 2026

Población e Inmigración en Japón: Proyecciones con Series Temporales y Análisis Causal Demográfico hasta 2044

13 de octubre de 2026

Marketing digital y engagement en YouTube: estrategias para canales de crímenes reales en Brasil

13 de octubre de 2026

Uso de técnicas de Machine Learning No Supervisado para la planificación de trabajos de revisión de remuneraciones para la jubilación

13 de octubre de 2026

Gestión de ventas para el desempeño de una empresa del sector inmobiliario

13 de octubre de 2026

Determinantes del desempeño de estudiantes en el ENEM en São Paulo

También te puede interesar

13 de octubre de 2026

“Marca”: viabilidad económica para moda sostenible LGBTQIA+ en São Paulo

El escenario actual de la moda, marcado por el consumo excesivo de “fast fashion” y la exclusión de cuerpos disidentes, evidenció la necesidad de marcas enfocadas en la concienciación, el “upcycling” y la transmutación textil. En este contexto, el estudio tuvo como objetivo analizar la viabilidad económica de una marca de moda sostenible e inclusiva, dirigida al público LGBTQIA+ en la ciudad de São Paulo. La investigación se caracterizó como un estudio de caso cuantitativo, fundamentado en la aplicación de un cuestionario para medir el comportamiento de consumo y en la proyección de escenarios financieros para un quinquenio. Los resultados revelaron un ticket promedio viable de R$200,00 y confirmaron la rentabilidad de la operación con un Valor Presente Neto de R$ 47.699,49, una Tasa Interna de Retorno de 343,70% y una Tasa Interna de Retorno Modificada de 115,80%. El análisis de sensibilidad comprobó la solidez del proyecto, demostrando retorno positivo incluso en simulaciones pesimistas. El emprendimiento se mostró viable, indicando que la unión entre valores de sostenibilidad, economía social y estructura financiera eficiente resulta en un negocio de bajo riesgo.

Palabras clave: Análisis de inversiones; Economía Circular; Emprendimiento; Impacto socioambiental; Vestimenta.

13 de octubre de 2026

Predictores de mortalidad en ancianos con síndrome de dificultad respiratoria aguda por Influenza A(H1N1)pdm09 confirmada

La infección por el virus de la influenza A(H1N1)pdm09 puede evolucionar a Síndrome Respiratoria Aguda Grave (SRAG), con mayor riesgo de muerte en ancianos. El objetivo fue analizar los factores predictivos de muerte en casos de SRAG confirmados para influenza A(H1N1)pdm09, entre ancianos de 60 años o más, considerando factores individuales y contextuales de las Regiones Administrativas (RA) del Estado de São Paulo (ESP), y comparar el desempeño de modelos de regresión. Se realizó un estudio descriptivo y analítico en el ESP, de 2023 a 2024, utilizando datos del SIVEP-Gripe y de la Fundación SEADE. Se incluyeron 714 casos confirmados por RT-PCR de influenza A(H1N1)pdm09 en residentes del ESP de 60 años o más. Se analizaron variables sociodemográficas, clínicas, de hospitalización, tratamiento, vacunación y lugar de residencia. Se empleó regresión logística binaria y logística jerárquica, con el desenlace de evolución a muerte. De los 714 casos, 202 resultaron en muerte. El modelo final de regresión logística binaria asoció mayor probabilidad de muerte al sexo masculino, edad avanzada, saturación de oxígeno inferior al 95%, hospitalización en UCI y uso de soporte ventilatorio invasivo. La presencia de tos y el uso de antiviral se asociaron a menor probabilidad de muerte. El modelo jerárquico logístico presentó un desempeño similar, con una pequeña contribución contextual residual de las RA. Se concluyó que el modelo de regresión logística binaria fue suficiente y más simple para representar los datos, siendo adoptado como modelo final.

Palabras clave: Influenza A(H1N1)pdm09; Modelado logístico jerárquico; Muerte por Influenza A(H1N1)pdm09; Regresión logística; Síndrome Respiratoria Aguda Grave.

13 de octubre de 2026

Construyendo la belleza desde temprano: comportamientos de consumo de maquillaje y cuidado de la piel en la Generación Alpha

El interés femenino por la estética se manifiesta en diversas sociedades, siendo amplificado por el avance de internet y las redes sociales, que impulsaron el surgimiento de influenciadores digitales. El estudio analizó cómo el marketing de influencia digital impacta el comportamiento de consumo y la percepción estética de niñas de la Generación Alpha (3 a 15 años) en el estado de São Paulo, desde la perspectiva de sus padres y/o responsables, con foco en el consumo precoz de maquillaje y skincare y en la construcción de patrones estéticos. Para ello, se realizó una investigación bibliográfica, se aplicó un formulario cuantitativo online y presencial, y se llevó a cabo una entrevista con un médico dermatólogo. Los resultados indicaron que el interés por la belleza surge precozmente, con incentivo de los responsables. Las jóvenes demostraron deseo de pertenencia, y los artículos de maquillaje presentaron una ligera predominancia sobre los de skincare. La mayoría de los participantes creyó que el marketing de influencia impacta las decisiones de compra. Se concluyó que el interés por la belleza y el incentivo al autocuidado se naturalizan desde temprano, y que el marketing de influencia contribuye a la formación de deseos de consumo, aunque la muestra no probabilística limita las generalizaciones.

Palabras clave: Adolescentes; Niñas; Estética; Influenciadores; Redes Sociales.

13 de octubre de 2026

Una visión general comparativa de las flotas de vehículos eléctricos en Brasil y la Unión Europea

El transporte por carretera contribuye a aproximadamente el 20% de las emisiones globales de CO2, impulsando la búsqueda de soluciones de movilidad más limpias, como los vehículos eléctricos. El objetivo de este estudio fue comparar los mercados de vehículos eléctricos en Brasil y la Unión Europea, contrastando sus políticas, adopción por parte de los consumidores y desarrollo de infraestructura. Se empleó un diseño de investigación descriptiva comparativa, analizando datos cuantitativos de la Asociación Brasileña del Vehículo Eléctrico, la Asociación Nacional de Fabricantes de Vehículos Automotores, la European Alternative Fuels Observatory y la Agencia Europea de Medio Ambiente para el período de 2015 a 2024, complementados por un análisis cualitativo de documentos de política. Los resultados revelaron una divergencia estructural fundamental: Brasil presentó un crecimiento exponencial del 80,7% anual (2022-2025), con híbridos representando aproximadamente el 66% de las ventas e impulsado por incentivos fiscales que apalancan la bioeconomía del etanol. La Unión Europea, por su parte, mostró una expansión en fase de consolidación a una tasa anual del 8,35% (2008-2025), con vehículos eléctricos de batería superando el 40% de los nuevos registros, impulsados por mandatos regulatorios vinculantes. El análisis de densidad de infraestructura indicó que la red pública de carga de la Unión Europea (55,3 puntos por cada mil vehículos de combustible alternativo) era el doble que la brasileña (27,9 puntos por cada mil vehículos electrificados). La cuantificación ambiental confirmó que la matriz energética predominantemente renovable de Brasil (64 gCO2/kWh) resultó en emisiones well-to-wheel sustancialmente menores en comparación con la matriz de la Unión Europea (246 gCO2/kWh). Se concluyó que el modelo brasileño, con incentivos fiscales neutros en tecnología y aprovechamiento de la infraestructura de biocombustibles, puede acelerar la adopción de híbridos en economías emergentes con bajo gasto público. Para mercados maduros, el modelo de la Unión Europea, con mandatos regulatorios, estableció un mercado dominante de vehículos eléctricos de batería, aunque con un costo fiscal más elevado.

Palabras clave: Energía renovable; Mercado; Cualitativo; Cuantitativo.

13 de octubre de 2026

Población e Inmigración en Japón: Proyecciones con Series Temporales y Análisis Causal Demográfico hasta 2044

El envejecimiento de la población y la baja tasa de fecundidad configuran complejos desafíos demográficos en Japón, acompañados por la expansión de la inmigración extranjera como respuesta a las restricciones de oferta de mano de obra. El estudio tuvo como objetivo analizar las tendencias demográficas japonesas y proyectar su evolución hasta 2044, con énfasis en las relaciones entre declive poblacional, fecundidad e inmigración. Se aplicaron los modelos de series temporales ARIMA y Prophet a datos históricos del Banco Mundial, del Instituto Nacional de Investigación Poblacional y Seguridad Social de Japón y de la Agencia de Servicios de Inmigración de Japón, abarcando el período de 2003 a 2023 para la serie poblacional y de 2014 a 2024 para la serie migratoria. El análisis incluyó estadísticas descriptivas, correlación de Pearson, prueba de estacionariedad de Dickey-Fuller aumentada y pruebas de causalidad de Granger, además de la evaluación predictiva por medio de las métricas MAE y MAPE. Los resultados evidenciaron la continuidad de la reducción poblacional y el crecimiento del contingente de inmigrantes en las proyecciones hasta 2044. El Prophet presentó menores valores de MAE y MAPE en los conjuntos de prueba, aunque la corta extensión de la serie migratoria limitó la capacidad de generalización. Las pruebas de causalidad temporal no identificaron evidencias estadísticamente significativas de precedencia entre población e inmigración. Se concluyó que la inmigración puede contribuir a mitigar restricciones de oferta de mano de obra, pero no constituye, aisladamente, un mecanismo suficiente para revertir el declive poblacional japonés.

Palabras clave: Declive poblacional; Demografía; Fertilidad; Flujos migratorios; Series temporales.

13 de octubre de 2026

Marketing digital y engagement en YouTube: estrategias para canales de crímenes reales en Brasil

El fenómeno de los crímenes reales se ha consolidado como un nicho de crecimiento en el YouTube brasileño, impulsado por la expansión de los medios digitales y la fascinación del público. Sin embargo, muchos creadores enfrentaron dificultades para alcanzar un crecimiento sostenible. Se analizó cómo las estrategias de marketing digital influyeron en el crecimiento, el engagement y la monetización de canales brasileños de crímenes reales en la plataforma YouTube. Se adoptó una investigación de enfoque mixto, cualitativo y cuantitativo, de naturaleza exploratoria y descriptiva. Se analizaron cuatro canales brasileños del nicho mediante análisis documental de contenidos, recopilación de métricas públicas vía Social Blade y Noxinfluencer, y aplicación de cuestionarios a cuatro creadores y a 104 espectadores. Los resultados evidenciaron que los canales de mayor rendimiento adoptaron estrategias distintas, como un enfoque narrativo lineal y contextualizado, comunicación emocional personalizada, postura técnico-informativa o contenido de opinión provocativo. Se verificó convergencia entre creadores y audiencia sobre la centralidad del storytelling para la retención, afirmando la mayoría de los espectadores que la forma en que se contaba la historia determinaba la continuidad de la visualización. Los creadores indicaron el tiempo medio de retención como la métrica más predictiva para el crecimiento sostenible, aunque el 100% dependía exclusivamente de AdSense para la monetización, revelando vulnerabilidad financiera. Se concluyó que el éxito en el nicho depende de la integración entre marketing digital, identidad narrativa consistente y responsabilidad ética.

Palabras clave: creator economy; engajamento digital; marketing de conteúdo; storytelling; true crime.

13 de octubre de 2026

Uso de técnicas de Machine Learning No Supervisado para la planificación de trabajos de revisión de remuneraciones para la jubilación

La dotación de personal y la gestión de los flujos de jubilación en organismos públicos federales configuraron complejos desafíos estratégicos. El estudio tuvo como objetivo aplicar técnicas de Machine Learning no supervisado, específicamente Agrupamiento (K-means) y Análisis de Correspondencia Múltiple (ACM), para mejorar la planificación de revisiones funcionales en una autarquía federal brasileña. La metodología consistió en el procesamiento de una base validada de 487 servidores activos. Inicialmente, variables cuantitativas, como edad, tiempo de contribución y remuneración, fueron sometidas al algoritmo K-means, resultando en la formación de cinco clusters, apoyada en el Método del Codo y el Coeficiente de Silueta. Posteriormente, los grupos se integraron con variables cualitativas a través de ACM, proyectadas en un mapa perceptual que explicó el 74,81% de la inercia de los datos. Los resultados revelaron que los clusters 0 y 3 representaron los perfiles de mayor criticidad previsional, concentrando a todos los beneficiarios de bonificación por permanencia y la mayoría de los cargos extintos. La investigación generó un Plan de Acción escalonado, priorizando a los 75 servidores de estos clusters que cumplieron los requisitos de jubilación hasta 2025, con una directriz similar para 2026. En contrapartida, el cluster 2 presentó menor riesgo, con inactividad prevista solo a partir de 2031. El modelo se mostró ampliamente favorable como herramienta de auditoría y saneamiento, aunque su plena eficacia dependa de una gobernanza de datos más rigurosa en el servicio público.

Palabras clave: Agrupamiento; Análisis de Correspondencia Múltiple (ACM); Jubilación; Clusterización.

13 de octubre de 2026

Gestión de ventas para el desempeño de una empresa del sector inmobiliario

La gestión de ventas desempeña un papel estratégico en el rendimiento organizacional, especialmente en sectores de desarrollo inmobiliario, caracterizados por su complejidad comercial. El objetivo de este estudio fue analizar la contribución de las prácticas de gestión de ventas al rendimiento comercial y organizacional de una empresa del sector inmobiliario, considerando su modelo de actuación y estructura comercial. La investigación se caracterizó como exploratoria, con un enfoque cualitativo y cuantitativo, adoptando un estudio de caso único. Se recopilaron datos mediante triangulación, utilizando investigación documental y un cuestionario estructurado aplicado al equipo de ventas externalizado. Los resultados indicaron que la empresa estructuró sus prácticas de gestión comercial con metas mensuales y anuales, campañas de marketing y sistemas de incentivos. El rendimiento se siguió mediante indicadores cuantitativos, como el volumen de ventas y el porcentaje de consecución de metas. En el período analizado, se realizaron 179 ventas, lo que corresponde al 74,6% de la meta anual establecida. Se observaron oportunidades de mejora en la alineación entre la planificación comercial, el seguimiento de resultados y la efectividad de las estrategias. La percepción de los corredores señaló limitaciones en los sistemas de incentivos, como la ausencia de progresividad en las comisiones y la duración de las bonificaciones. Se concluyó que, si bien la gestión de ventas influye en el rendimiento organizacional, existen debilidades en la alineación entre esfuerzo, recompensa y motivación de la fuerza de ventas. Se recomendó el fortalecimiento del seguimiento sistemático, la mejora de la comunicación, la definición de metas más realistas y la implementación de incentivos progresivos para potenciar los resultados comerciales.

Palabras clave: Estrategias de ventas; Fuerza de ventas; Gestión comercial; Indicadores de rendimiento; Sector inmobiliario.

13 de octubre de 2026

Determinantes del desempeño de estudiantes en el ENEM en São Paulo

El estudio analizó factores asociados al desempeño de estudiantes en el Examen Nacional de Enseñanza Media (Enem), considerando la relevancia histórica de la evaluación educacional en Brasil. Su objetivo fue evaluar el desempeño predictivo del modelo XGBoost e identificar las variables más asociadas al desempeño medio de los participantes. Se utilizaron microdatos del Enem de 2015 a 2023, restringidos al estado de São Paulo, organizados en niveles de alumno, escuela y cuestionario socioeconómico. Tras limpieza y estandarización, se construyó una base final con 1.886.735 registros. El modelo XGBoost se configuró con hiperparámetros para equilibrar capacidad predictiva y generalización, incluyendo tratamiento nativo de variables categóricas. Los resultados indicaron que el XGBoost presentó un desempeño compatible con estudios educacionales. La interpretación por valores de contribución internos reveló la predominancia de factores institucionales y socioeconómicos en la explicación del desempeño, con destaque para la dependencia administrativa de la escuela y variables relacionadas con el contexto familiar. La investigación demostró que enfoques predictivos basados en árboles fueron capaces de capturar patrones relevantes sin la necesidad de modelos jerárquicos tradicionales, ofreciendo una alternativa metodológica para la comprensión de desigualdades educacionales. Se concluyó que la combinación de gran volumen de datos, técnicas de aprendizaje automático e interpretación por contribuciones permitió identificar factores relevantes para el desempeño en el Enem y proporcionó subsidios para reflexiones sobre políticas educacionales.

Palabras clave: Aprendizaje automático; Desempeño educacional; Enem; Factores socioeconómicos; XGBoost.

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión De Proyectos

25 de septiembre de 2026

¿La IA acelera las respuestas; quién asume las decisiones?

La velocidad de la tecnología solo se convierte en una ventaja cuando va acompañada de la capacidad de comprender, verificar y asumir la responsabilidad de los resultados. Imagine un equipo que comienza a producir en una tarde los análisis que antes requerían una semana. El cambio parece justificar la inversión en inteligencia artificial. Pero, antes de contabilizar la ganancia, cabe preguntar quién examinó […]

Innovación

14 de septiembre de 2026

No solo leemos palabras

Como nuevos códigos, tecnologías y formas de comunicación amplían aquello que necesitamos aprender a interpretar. Ser alfabetizado suele entenderse inicialmente como: reconocer letras, formar palabras, comprender frases y producir textos. Durante mucho tiempo, fue principalmente a partir de este dominio que definimos lo que significaba saber leer y, consecuentemente, participar de diferentes espacios de la sociedad. […]

Redes Sociales

14 de septiembre de 2026

El efecto de la influencia en el consumo

Lo que la investigación Youpix/Nielsen 2026 muestra sobre el avance de la Creator Economy En 2025, el 80% de los consumidores brasileños compraron algún producto recomendado por influencers. En 2026, el índice llegó al 81%. La estabilidad en un nivel tan elevado indica que la compra por influencia dejó de ser un comportamiento restringido a determinados públicos. El […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]

Mba Ejecutivo En Liderazgo Y Gestión

29 de junio de 2026

Calificación de Proveedores: Estandarización y Riesgo

Isis Penelope Sumarelli Albuquerque Huang; Vítor Melão Cassânego Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La creciente complejidad de las cadenas de suministro agroalimentarias, impulsada por la globalización, ha generado una demanda intensificada de transparencia, seguridad y trazabilidad en los sistemas alimentarios. La integridad y la autenticidad […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Jurídico: de centro de costo a socio estratégico

Adriana Ehiar Ribeiro Petry; Ana Carla Fernandes Gasques Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El escenario de expansión en el mercado brasileño, a pesar de ser prometedor para empresas de bienes de consumo, presenta desafíos significativos que exigen un enfoque estratégico y adaptable. Con una población […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Cultura: Profesionalización y crecimiento en empresas familiares

Yashmin Meirelles Oliveira Araujo; Gilmar Martinelli Junior Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El escenario económico brasileño está marcadamente influenciado por la expresiva representatividad de las empresas familiares, que constituyen aproximadamente el 90% de los emprendimientos del país, según datos de PwC (2023). Dentro de este vasto universo, […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Equipos Semifijos: Compromiso y Cohesión en el Campo

Wesley Araújo Martins; Odair Silva Soares Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El sector operativo de una empresa especializada en servicios técnicos de campo, activa en el mantenimiento de transformadores de potencia en entornos industriales y concesionarias de energía, enfrenta desafíos significativos relacionados con […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

IA en preventas: Generación automatizada de propuestas

Vitor Luis Genaro; Felipe Carvalhal Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El mercado de consultoría en tecnología exige de las organizaciones una eficiencia operativa creciente, aliada a la capacidad analítica y a la velocidad de respuesta al cliente. En este escenario dinámico, el área de preventas asume […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

PMaaS: Impulsando proyectos en PYMEs sin PMO

Vitor Conceição Faria; Ewerton Mauro Visotto Faria Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El escenario empresarial contemporáneo, marcado por alta competitividad y una transformación digital acelerada, impone desafíos complejos a las empresas, especialmente a las de pequeño y mediano tamaño. Muchas de estas organizaciones, aunque comprometidas […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Gestión Ágil del Ciclo de Vida en Fomento Público

Vinícius Nascimento Garcia; Ana Carla Gasques Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La agencia pública estatal de fomento enfrentaba un escenario de desarrollo reactivo y fragmentado de sus líneas de crédito, caracterizado por el bajo uso de datos y la ausencia de una gobernanza […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Mentoría y Onboarding: Desarrollando Talentos en GC

Vinícius Andrade de Carvalho; Ewerton Mauro Visotto Faria Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La demanda de servicios de outsourcing ha experimentado un crecimiento notable tanto en Brasil como a nivel mundial, impulsando a las empresas a expandir sus operaciones externalizadas. Informes como la “Global Outsourcing Survey […]