1.Qué es la IA generativa
La IA generativa es la familia de modelos que produce contenido nuevo: un texto que no existía, una imagen que nadie sacó, un audio con una voz sintética, un video de diez segundos. La diferencia con la IA anterior es el tipo de salida: un modelo clásico clasifica —«esto es spam», «esta imagen tiene un gato»—, uno generativo crea.
Según Wikipedia, el campo se apoya en modelos que aprenden la distribución de los datos de entrenamiento y muestrean de ella para producir ejemplos nuevos. En criollo: aprendió cómo se ven millones de fotos de perros y genera una que se parece a todas y no es ninguna.
El fenómeno económico no es menor. El AI Index 2025 de Stanford registró US$33.900 millones de inversión privada global en IA generativa durante 2024, un 18,7% más que el año anterior, y el informe 2026 mide 88% de adopción en organizaciones. La consecuencia práctica: las herramientas dejaron de ser un experimento de laboratorio y están en el flujo de trabajo de cualquier equipo de marketing o producto.
2.Qué genera cada tipo de modelo
Cada modalidad tiene su madurez, su costo y su forma de control. Tratarlas como una sola cosa es el error más común cuando se planifica un proyecto con IA generativa.
| Modalidad | Qué produce | Madurez hoy | Dónde se nota el límite |
|---|---|---|---|
| Texto | Mails, informes, guiones, código, resúmenes | Alta: se usa a diario con revisión | Verifica mal los datos; hay que darle la fuente |
| Imagen | Fotos, ilustraciones, fondos, mockups | Alta para ilustración; media para producto real | Manos, textos y detalles de marca; el texto incrustado sale mal |
| Audio | Locución, música, doblaje | Alta en locución corta y música de fondo | Voces largas y matices emocionales finos |
| Video | Clips cortos, animaciones, avatares | Media: clips de segundos, no escenas complejas | Continuidad entre planos y duración |
La regla práctica que se desprende de la tabla: cuanto más corto y más acotado el formato, mejor el resultado. Un clip de cinco segundos para una placa de redes funciona; un video de tres minutos con continuidad entre escenas todavía exige montaje humano.
Un caso concreto de cada una en un negocio chico: el texto produce las descripciones de 200 productos a partir de la ficha técnica; la imagen genera los fondos de temporada para las placas de Instagram; el audio hace la locución de un reel; el video arma el clip de presentación de un producto que todavía no llegó al depósito.
3.Cómo funciona: difusión y predicción de tokens
Hay dos mecanismos detrás de casi todo lo que se ve. Los modelos de texto predicen el siguiente fragmento de palabra; los de imagen y video parten de ruido y lo van limpiando hasta que aparece una imagen. Entender la diferencia explica por qué se controlan distinto.
Texto: predicción de tokens. El modelo calcula la continuación más probable, token por token, según el contexto que le diste. Es determinista en su mecanismo y variable en su resultado: el mismo pedido puede devolver dos respuestas distintas porque hay un componente aleatorio en la elección.
Imagen: difusión. Se parte de una imagen de ruido puro y el modelo la va «limpiando» en decenas de pasos, guiado por el texto del pedido. Esa es la razón por la que el detalle fino —un dedo, una letra, un logo— sale mal: no hay un modelo del mundo que sepa que una mano tiene cinco dedos, hay un proceso que aprende a producir algo que se parece a las imágenes de manos que vio.
De ahí salen dos consecuencias prácticas. En texto, la palanca es el contexto: pegar los datos correctos cambia el resultado. En imagen, la palanca es la descripción visual y la iteración: pedir «fondo claro, luz suave, espacio vacío a la derecha para el texto» funciona; pedir «lindo» no dice nada.
Y una regla que ahorra horas: el texto dentro de una imagen generada casi siempre sale mal. El texto va después, en HTML, en el editor o en la placa, no dentro del píxel.
4.Casos de uso reales por rubro
Los usos que ya pagan su costo comparten un rasgo: reemplazan un trabajo de producción que era lento y repetitivo, no una decisión creativa. Estos son los que se ven funcionando hoy.
| Rubro | Uso concreto | Qué se revisa |
|---|---|---|
| Ecommerce | Fichas de producto desde la ficha técnica del proveedor | Que no invente medidas ni materiales |
| Marketing | Variantes de un mismo anuncio para probar ángulos | Que no prometa beneficios no verificados |
| Inmobiliaria | Descripciones de propiedades y fotos de ambientación | Que la ambientación no modifique el inmueble real |
| Educación | Material de práctica y resúmenes de bibliografía | Exactitud de los datos y de las citas |
| Estudio contable | Explicaciones de variaciones para el cliente final | Los números: recalcular siempre |
Un caso con una distribuidora de insumos: el catálogo tenía 600 productos con fichas de dos líneas y fotos de celular. Con IA generativa generaron descripciones de 90 palabras con los datos técnicos reales y fondos de imagen consistentes para el catálogo. Lo que antes tomaba tres meses de una persona, se hizo en dos semanas —y las primeras 50 fichas las revisó el responsable técnico porque la IA había inventado dos compatibilidades que no existían.
Ese detalle es el patrón: la velocidad aparece en la primera semana, la calidad aparece cuando alguien con criterio revisa. Sin revisión, la IA generativa produce mucho de algo mediocre.
¿Querés producir contenido con IA sin perder calidad de marca? Escribime y armamos el flujo de producción.
Escribime un mail5.Qué determina la calidad (y cuánto cuesta)
La calidad de una salida generativa depende de cuatro cosas, en este orden: el insumo que le das, la especificidad del pedido, la coherencia entre piezas y el modelo elegido. La mayoría de los equipos culpa al modelo cuando el problema está en los tres primeros.
Insumo. Una descripción de producto hecha a partir de una ficha técnica completa es otra cosa que una inventada desde el nombre. Si el insumo es pobre, la salida rellena con lugares comunes.
Especificidad. «Foto de producto sobre fondo claro» produce algo genérico. «Fondo gris claro con sombra suave hacia la derecha, producto centrado, espacio libre arriba para el título» produce algo usable.
Coherencia. Diez imágenes generadas por separado no forman una campaña. Para que se parezcan hay que fijar el estilo: misma paleta, misma luz, mismo encuadre, y repetir esa descripción en cada pedido.
Costo. Se paga por uso: por imagen generada, por minuto de audio, por token de texto. La diferencia entre el modelo más barato y el más caro puede ser de veinte veces, y para una placa de redes la diferencia de calidad muchas veces no se justifica. Antes de elegir, conviene probar el mismo pedido en dos niveles de precio y comparar a tamaño real, no al 200%.
Hay un costo que no aparece en la factura: el tiempo de selección. Generar cuarenta imágenes y elegir tres puede ser más caro —en horas de una persona— que generar seis buenas. Por eso conviene escribir mejor el pedido antes de aumentar la cantidad.
6.Límites legales y de criterio
El contenido generado tiene reglas que ya están vigentes y que cambian según el país. Ignorarlas es el riesgo más concreto para una marca, más que cualquier discusión sobre si la IA es creativa.
Transparencia. El Reglamento Europeo de IA escalona obligaciones por nivel de riesgo y exige que el contenido sintético se identifique como generado, además de obligar a marcar los deepfakes. Si tu marca vende en Europa, esa exigencia aplica a las piezas que publiques ahí.
Derechos. El régimen de derechos de autor sobre imágenes generadas varía por jurisdicción y en varios países no se reconoce autoría humana sobre lo producido automáticamente. Para una marca eso significa dos cosas: no conviene construir un activo central —un logo, un personaje— sobre una imagen generada, y hay que revisar que el resultado no reproduzca una obra existente.
Personas reales. Usar la cara o la voz de alguien sin consentimiento para generar contenido es el terreno más riesgoso y el que ya generó casos judiciales. La regla es simple: si la persona no autorizó por escrito el uso de su imagen o su voz, no se genera.
Criterio de marca. Un límite que no es legal pero pesa igual: la IA tiende al promedio. Diez piezas generadas sin dirección se parecen a las de cualquier competidor. La dirección de arte sigue siendo el trabajo humano que decide qué se publica.
7.Cómo incorporarla sin romper nada
Incorporar IA generativa en un equipo es un cambio de proceso, no una compra. El orden que funciona es empezar por un cuello de botella de producción, no por una idea creativa.
- Elegí el cuello de botella. El trabajo que se atrasa siempre: las fichas de producto, las placas de temporada, los resúmenes. No la campaña de fin de año.
- Fijá el estándar antes de generar. Paleta, tipografía, luz, encuadre, tono de voz. Sin estándar, cada pieza sale distinta y el equipo termina corrigiendo más de lo que ahorró.
- Definí quién aprueba. Un nombre y un criterio: qué se publica sin revisión y qué no. Las piezas con datos de producto siempre pasan por alguien que conoce el producto.
- Guardá los prompts que funcionan. Un documento compartido con el pedido, el resultado y qué se corrigió vale más que cualquier curso.
- Medí el ciclo completo. De la idea a la pieza publicada, incluida la revisión. Si el tiempo no bajó, el proceso no cambió: solo se agregó una herramienta.
El error que más veces se repite es empezar por la pieza más visible —el video institucional, la campaña grande— donde el error se nota y la revisión es lenta. Las piezas internas y las de bajo riesgo son el lugar donde el equipo aprende qué pedirle y qué corregirle.
Preguntas frecuentes
¿La IA generativa reemplaza a los diseñadores y redactores?
Reemplaza la ejecución de primeras versiones, no la dirección. Un equipo de contenido sigue necesitando a alguien que decida el ángulo, el tono y qué se publica; lo que cambia es que la producción de variantes deja de ser el cuello de botella. En la práctica, el mismo equipo produce más piezas y dedica más tiempo a criterio.
¿Puedo usar imágenes generadas en publicidad?
Sí, con dos recaudos: no construir activos centrales de marca sobre una imagen generada —porque el régimen de autoría es incierto— y evitar que el resultado reproduzca obras o personas reales. Si la campaña corre en Europa, además hay que identificar el contenido como generado según el calendario del Reglamento Europeo de IA.
¿Por qué el texto dentro de las imágenes sale mal?
Porque el modelo no escribe: reconstruye píxeles que se parecen a letras. Las letras son formas con reglas estrictas y el proceso de difusión tiende al promedio, así que produce algo que parece texto pero no lo es. La solución es poner el texto después, en el editor o en HTML.
¿Cuánto cuesta generar contenido con IA?
Se paga por uso y el rango es amplio: una imagen puede costar desde centavos hasta varios dólares según el modelo y la calidad, y el texto se cobra por token. El costo real de un proyecto incluye la selección y la revisión humana, que suele ser la parte más cara. Probar el mismo pedido en dos niveles de precio antes de escalar es la forma más rápida de calibrar.
¿Cómo mantengo un estilo consistente entre piezas?
Fijando la descripción del estilo y repitiéndola textual en cada pedido: paleta, tipo de luz, encuadre, ángulo. Para volumen alto conviene un sistema de referencias —una imagen base aprobada que se usa como guía— y un documento con los prompts aprobados por tipo de pieza.
Fuentes
- Wikipedia — Inteligencia artificial generativa (definición y familias de modelos, consultado en noviembre de 2026).
- Stanford HAI — AI Index Report 2025: US$33.900 millones de inversión privada global en IA generativa en 2024 (+18,7%).
- Stanford HAI — AI Index Report 2026: 88% de adopción organizacional de IA.
- EU Artificial Intelligence Act — Calendario de aplicación (obligaciones de transparencia para contenido sintético).
- McKinsey — The State of AI 2025: Agents, innovation, and transformation (noviembre 2025).