De «hemos sacado un 72» a una decisión de diseño: cómo interpretar la puntuación SUS

    17 de noviembre de 2026
    8 min de lectura
    Por Elowen Dalmerska
    Compartir este artículo

    Puntuación SUS: 72. El número aparece en la diapositiva de resultados del test de usabilidad, en verde, junto a una flecha hacia arriba porque la ronda anterior dio 66. El equipo de producto lo lee como una mejora de 6 puntos y como un aprobado holgado. Las dos lecturas pueden ser falsas.

    Con 10 participantes por ronda, una diferencia de 6 puntos suele caer dentro del margen de error, y 72 no es un 72% de satisfacción ni de nada. Es un número en una escala propia, que solo cobra sentido comparado con una base de referencia y acompañado de su incertidumbre.

    La System Usability Scale, publicada por John Brooke en 1996 tras crearla en Digital Equipment Corporation, sigue siendo el cuestionario de usabilidad percibida más usado en investigación UX. Su popularidad tiene una consecuencia incómoda: casi todo el mundo sabe calcularla y casi nadie la interpreta igual.

    Cómo sale el número antes de interpretarlo

    El cuestionario tiene 10 afirmaciones que el participante valora de 1, totalmente en desacuerdo, a 5, totalmente de acuerdo. Las preguntas impares están redactadas en positivo, como «creo que usaría este sistema con frecuencia», y las pares en negativo, como «encontré el sistema innecesariamente complejo». Esa alternancia obliga a invertir la puntuación de las pares antes de sumar:

    Para cada participante:
      preguntas impares (1, 3, 5, 7, 9): aporte = respuesta - 1
      preguntas pares   (2, 4, 6, 8, 10): aporte = 5 - respuesta
      SUS = (suma de los 10 aportes) x 2,5
    
    Rango: de 0 a 100
    Media del estudio = promedio de los SUS individuales
    

    Un ejemplo: si un participante responde 4 a todas las impares y 2 a todas las pares, cada pregunta aporta 3 puntos, la suma es 30 y su SUS es 75. Si responde 3 a todo, el resultado es 50, que no es la media de referencia sino el punto neutro de la escala.

    Este paso es la primera fuente de errores. Una hoja de cálculo que no invierte las pares produce resultados que parecen razonables, en torno a 50 o 60, y nadie detecta el fallo. Antes de mirar la media, revisa dos o tres participantes a mano. Si alguien respondió 5 a todo, tanto a las positivas como a las negativas, lo más probable es que no leyera las preguntas: su SUS saldría 50 y conviene decidir si se incluye.

    El momento en que se pasa el cuestionario también cambia el número. Lo habitual es entregarlo al final de la sesión, después de todas las tareas y antes de la conversación abierta con el moderador. Si se rellena después de esa charla, el participante ya ha escuchado preguntas sobre los problemas que tuvo y tiende a puntuar más bajo.

    Si se pasa días más tarde por correo, la respuesta refleja un recuerdo general del producto más que la sesión concreta. Ninguna opción es incorrecta, pero hay que mantener la misma en todas las rondas que quieras comparar.

    Qué significa 68 y por qué no es un aprobado

    La referencia más citada procede de la base de comparación que Jeff Sauro reunió a partir de unos 500 estudios: la media se sitúa en 68. Un producto con 68 está en el percentil 50, ni mejor ni peor que el típico. Por debajo de 50 la experiencia suele estar entre las peores, y a partir de 80 aproximadamente el producto entra en el 10% superior.

    La relación entre puntos y percentiles no es lineal. Cerca de la media, cada punto mueve bastante el percentil; en los extremos, mucho menos. Pasar de 66 a 72 supone saltar varios percentiles, mientras que pasar de 88 a 94 apenas cambia la posición. Por eso dos subidas de 6 puntos no valen lo mismo.

    Hay también escalas de adjetivos, como la de Bangor, Kortum y Miller, que asocian rangos de puntuación con palabras como «aceptable», «buena» o «excelente». Ayudan a comunicar el resultado a personas que no trabajan en UX, pero tienen un riesgo: convierten un 69 y un 71 en categorías distintas cuando la diferencia es ruido.

    La comparación con 68 tiene límites. La base de referencia mezcla aplicaciones de consumo, software empresarial, webs y hardware. Un programa de contabilidad para despachos rara vez llega a la puntuación de una app de mensajería, y no por estar peor diseñado: las tareas son más complejas y los usuarios llegan con menos ganas. Si tienes datos de rondas anteriores de tu propio producto, son una referencia más útil que la media general.

    Antes y después: cuándo una diferencia entre rondas es real

    La pregunta que más se hace con el SUS es si el rediseño ha mejorado la usabilidad. Para responderla hace falta algo más que dos medias: hay que saber cuánto podrían variar esas medias por azar. La herramienta más sencilla es el intervalo de confianza de cada ronda:

    Intervalo de confianza al 95 %:
      media ± t x (desviación típica / raíz de n)
    
    Ejemplo ilustrativo, ronda 1:
      n = 10, media = 66, desviación típica = 15
      error típico = 15 / 3,16 = 4,74
      t (9 grados de libertad) = 2,26
      margen = 2,26 x 4,74 = 10,7
      intervalo = de 55,3 a 76,7
    

    Con los mismos supuestos, la ronda 2, con media 72, tendría un intervalo de 61,3 a 82,7. Los dos rangos se solapan casi por completo. No puedes afirmar que el rediseño mejore la usabilidad percibida; tampoco puedes afirmar que no lo haga. Lo honesto es decir que el resultado es compatible con una mejora moderada, con ningún cambio o incluso con un pequeño empeoramiento.

    Para una conclusión más firme hay dos caminos. El primero es aumentar la muestra: con 40 participantes por ronda y la misma desviación, el margen baja a unos 4,8 puntos. El segundo es usar una prueba t para comparar las dos medias directamente, que es más precisa que mirar si los intervalos se solapan. Con 10 personas por ronda, el SUS sirve para detectar diferencias grandes, de 15 puntos o más, no ajustes finos.

    Una nota práctica: la desviación típica de 15 del ejemplo es un supuesto razonable, pero calcula la tuya. Si tus participantes son muy homogéneos puede ser menor, y si mezclas usuarios novatos y expertos puede pasar de 20.

    Cuando presentes el resultado a dirección, enseña siempre el intervalo junto a la media, por ejemplo «72, entre 61 y 83». Es menos vistoso que una flecha verde, pero evita que el siguiente trimestre alguien pida explicaciones por una bajada de 4 puntos que nunca fue una bajada. Si además añades el percentil aproximado frente a la base de referencia, el número deja de parecer una nota escolar y pasa a ser una posición relativa, que es lo que realmente es.

    Errores de interpretación que se repiten en equipos de producto

    Más allá del cálculo, hay fallos de lectura que aparecen en informes de casi cualquier equipo. Estos son los más frecuentes:

    • Leer el resultado como porcentaje. Un 72 no significa que el 72% de los usuarios esté satisfecho ni que la usabilidad sea del 72%.
    • Comparar con 68 una media obtenida con 5 participantes. Con muestras tan pequeñas el intervalo puede abarcar 30 puntos.
    • Promediar pregunta por pregunta y sacar conclusiones de cada ítem. El SUS se validó como puntuación global; los ítems sueltos no tienen la misma fiabilidad.
    • Cambiar la redacción de las preguntas o traducirlas sobre la marcha. Algunas adaptaciones están estudiadas, como la versión con todas las preguntas en positivo, pero una traducción improvisada rompe la comparación con la base de referencia.
    • Pasar el cuestionario después de tareas distintas en cada ronda. Si en la primera ronda los participantes hicieron 3 tareas sencillas y en la segunda 5 complejas, la diferencia mide el guion, no el diseño.
    • Usar el SUS para saber qué arreglar. El número dice cuánto molesta el producto, no dónde. Para eso están las observaciones de las sesiones y las tasas de éxito por tarea.
    • Comparar el SUS de productos de categorías muy distintas como si compitieran entre sí, por ejemplo una herramienta interna de logística con la app pública de la empresa.

    El último punto merece una aclaración. El SUS sí es útil para comparar dos versiones del mismo producto con el mismo tipo de usuario y las mismas tareas. Pierde valor a medida que te alejas de esas condiciones.

    Lo que más se pregunta sobre la puntuación SUS

    ¿Qué hago si un participante deja una pregunta sin responder? John Brooke, autor del cuestionario, propuso asignar el valor central de la escala, un 3, a la pregunta que el participante no sabe responder. Así el cálculo no se rompe, aunque conviene anotar cuántas respuestas se completaron de esta forma.

    ¿Existe una versión más corta del cuestionario? Sí. La UMUX-Lite usa solo 2 preguntas y se diseñó para correlacionar con el SUS, lo que la hace útil en encuestas dentro del producto donde 10 preguntas son demasiadas. A cambio pierde detalle y no tiene una base de comparación tan amplia.

    ¿Se puede separar la facilidad de aprendizaje dentro del SUS? Algunos análisis tratan las preguntas 4 y 10 como una subescala de aprendizaje y las otras 8 como usabilidad. Es útil para explorar, pero con muestras pequeñas esas subescalas son muy inestables.

    El siguiente paso es concreto: abre la hoja de resultados de tu último test, calcula la desviación típica de los SUS individuales y añade el intervalo de confianza al 95% junto a la media en el informe. Si el intervalo abarca más de 20 puntos, escribe en la misma diapositiva que la ronda solo permite detectar cambios grandes, y planifica la siguiente con al menos el doble de participantes.

    Artículos relacionados