Design Challenge · 4 días · Senior Product Designer
StockAI
Replenishment reimaginado: de configuración manual a decisiones con IA
Design challenge de 4 días para Senior PD. Rediseño completo del flujo de replenishment en una plataforma SaaS de retail intelligence — de un formulario manual de 2 pasos a una experiencia donde la IA propone, el usuario decide y el sistema ejecuta. Meta: 25 min → <5 min por decisión.
- Formato
- Design Challenge
- Rol
- Senior Product Designer · Solo
- Duración
- 4 días
- Plataforma
- Web
- Stack
- Figma · Shadcn UI · Poppins + Inter · Herramientas de IA
El brief
Un producto que prometía IA y entregaba un formulario
StockAI es una SaaS de retail intelligence que ayuda a equipos de merchandising con la asignación de inventario a través de tiendas para miles de SKUs. Su feature de Replenishment estaba bloqueando la conversión comercial: prometía "AI-driven" pero forzaba a los usuarios a configurar manualmente cada replenishment a través de un formulario de 2 pasos, sin recomendaciones proactivas, sin transparencia, sin impacto financiero visible. Resultado: crecimiento estancado, baja adopción y un proceso comercial bloqueado. Los usuarios percibían StockAI como un ERP más, no como una herramienta de inteligencia.
El cambio de paradigma
De configurar a aprobar
El producto no fallaba por mala UX — fallaba porque la IA era invisible. El rediseño parte de un solo movimiento: cambiar el rol del usuario. Dejar de ser quien configura para pasar a ser quien decide.
Antes — el usuario como operador
Después — el usuario como decisor
Discovery
La auditoría que originó el rediseño
Hice una auditoría del flujo actual contra tres lentes: propuesta de valor (¿entrega "AI-driven"?), eficiencia del usuario (¿reduce tiempo y carga cognitiva?) y resultados de negocio (¿genera impacto medible?). Encontré 7 problemas priorizados por severidad — 2 críticos (IA invisible en todas las pantallas, configuración manual pesada en los pasos 1-2) y 3 mayores (sin impacto de revenue visible, nula transparencia de la IA, sin acciones masivas). En paralelo mapeé las personas a partir del brief: Maya (Inventory Manager, uso diario, frustrada con los clics repetitivos, no ve impacto financiero, depende del planner para las decisiones grandes) y David (Merchandising Planner, uso semanal, desconfía de la IA tipo caja negra, debe justificar al CSCO, Excel le sigue resultando más rápido para el análisis).
De los 7 problemas, estos cinco —los críticos y mayores— guiaron el rediseño.
La IA era invisible
No aparecía en ninguna pantalla del flujo. El producto se veía como un ERP, no como inteligencia.
Configuración manual pesada
Los pasos 1 y 2 obligaban a configurar a mano cada replenishment, sin una sola recomendación.
Sin impacto de revenue visible
La pantalla de revisión mostraba unidades, nunca el impacto financiero de la decisión.
Nula transparencia de la IA
Cuando había cálculo, no se explicaba la lógica. Imposible confiar en una caja negra.
Sin acciones masivas
Cada tienda se aprobaba de a una. Inviable para quien gestiona decenas de tiendas.
Las personas
Dos usuarios, un solo producto
Maya y David usan StockAI de formas opuestas. Servir a ambos sin duplicar el producto fue el marco de todo el rediseño.
Maya
Inventory Manager
Uso diario · sesiones de 15-30 min
- Ejecuta el día a día del inventario
- Frustrada con los clics repetitivos
- No ve el impacto financiero de sus decisiones
- Depende del planner para las decisiones grandes
David
Merchandising Planner
Uso semanal · sesiones de 1-2 horas
- Define la estrategia de allocation
- Desconfía de la IA tipo caja negra
- Debe justificar cada decisión al CSCO
- Excel le sigue resultando más rápido para analizar
Decisiones
Tres decisiones que definieron el rediseño
Cambio de paradigma: de configurar a aprobar
El producto no fallaba por mala UX. Fallaba porque la IA era invisible. Cambié el flujo de "configurar → calcular → revisar" a "la IA propone → el usuario decide → el sistema ejecuta". Esto redefine completamente el rol del usuario: de operador a decisor.
Modo dual, un solo producto
En vez de construir dos productos, el mismo flujo se adapta: los Inventory Managers entran por "Quick Approve" desde el dashboard (revisión en segundos); los Merchandising Planners entran por "Smart Setup" con valores por defecto pre-rellenados por IA (configuración a medida cuando hace falta). Ambos caminos convergen en la misma pantalla de Review & Approve — lo que reduce el costo de construcción y la curva de aprendizaje.
Un solo core moment, 60% del esfuerzo
En un challenge acotado en tiempo prioricé profundidad sobre amplitud. El dashboard de inicio y el quick path quedaron en media fidelidad. La pantalla de Review & Approve es la única en alta fidelidad, porque ahí es donde el producto se gana — o pierde — la demo y la conversión.
Ejecución
Tres pantallas que reconstruyen el flujo
AI Insights Dashboard — lo urgente, primero
Reemplacé la lista estática con un inicio accionable. Un banner amarillo arriba expone 3 oportunidades urgentes con +$340K de impacto en revenue de entrada. 4 tarjetas de KPI traducen los datos en contexto: replenishments activos, revisiones de IA pendientes, oportunidad de revenue y tasa de aceptación de IA. Las píldoras de estado (Critical / Review / Approved) y las barras de confianza reemplazan la lista plana — los usuarios saben dónde empezar sin leer.
Quick Path — Inventory Manager
Urgencia codificada por color en el borde de cada card (rojo crítico, amarillo revisión, verde rutina). Botón de aprobar en línea en cada card — Maya no necesita abrir la página de detalle. La acción masiva "Approve all (12)" cierra 12 tiendas en un clic. Un mecanismo que convierte sesiones de 30 minutos en sesiones de 5.
Smart Setup — Merchandising Planner
La IA primero, lo manual como respaldo. Una card amarilla "AI Suggests" sobre el formulario muestra alcance (West Coast), categoría (Footwear), frecuencia (Weekly) e impacto estimado (+$340K · 87 SKUs) — todo pre-rellenado a partir de patrones. Los power users siguen pudiendo ajustar cada campo. Sin empty state inicial.
AI Review & Approve
La pantalla donde StockAI prueba su valor. Impacto en revenue ($340K) y sobrestock evitado ($85K) en lugar de datos operativos. La confianza como señal de primer nivel: porcentaje + barra de color, filtrable y ordenable. Transparencia en línea: expandir una fila muestra los 4 datos detrás de la lógica (sales velocity, stock level, seasonal pattern, similar stores). Aprobación masiva con resguardos — solo se aplica a ítems sobre 80% de confianza; bajo ese umbral, revisión individual obligatoria.
$340K
Impacto en revenue de la decisión
$85K
Sobrestock evitado
60%
Del esfuerzo del challenge, en esta pantalla
Resultados
El impacto proyectado
25 → 5
Min por decisión (meta)
+60%
Replenishments por usuario / semana
>70%
Meta de tasa de aceptación de IA
4 días
Duración del challenge
Métricas objetivo definidas en el challenge — un ejercicio de diseño, no datos de producción.
Aprendizajes
Lo que me llevo
- 01
Si el producto se vende como AI-driven pero la experiencia es un formulario tipo ERP, la diferencia con Excel desaparece, y con ella la conversión.
- 02
Construir confianza en la IA requiere transparencia, no ocultarla: confianza visible, lógica expandible en línea y la opción de anular siempre disponible.
- 03
Servir a dos personas no implica dos productos. El camino adapta la entrada; el core moment converge.
- 04
En un challenge acotado en tiempo, mejor un core moment pixel-perfect que cinco pantallas promedio. Eso es lo que gana demos y convierte pruebas en clientes.
¿Seguimos con otro proyecto?