Generador de imágenes con IA: cómo funciona, qué comparar y cómo lograr la imagen que planeaste

Del ruido aleatorio a la imagen: cómo trabaja un generador

Quien busca un generador de imágenes con IA quiere una imagen hecha con una frase, sin contratar a un fotógrafo. Wikipedia define el modelo de texto a imagen como un modelo de aprendizaje automático que recibe una instrucción en lenguaje natural y produce una imagen acorde con esa descripción. Casi todos los actuales son modelos de difusión. Según el artículo de Wikipedia sobre ellos, la red aprende a invertir el proceso de añadir ruido a una imagen, así que puede partir de ruido aleatorio y limpiarlo paso a paso.

Las palabras guían esa limpieza: el mismo artículo dice que estos generadores combinan la difusión con codificadores de texto y módulos de atención cruzada. Dicho de otro modo, el modelo no busca una imagen en un catálogo; revela una nueva en la dirección que señala tu texto. Por eso la misma petición rara vez repite imagen: cada ejecución arranca de un ruido nuevo. Y el modelo no sabe nada de tu tienda ni de tus colores hasta que se los muestras o los describes.

Dentro de un modelo abierto: Kandinsky 3 y sus tres piezas

Los modelos abiertos publican su anatomía. El anuncio en el blog corporativo de Sber dice que Kandinsky 3.0 lo desarrolló el equipo Sber AI. Su página en GitHub lo llama modelo de difusión de texto a imagen de código abierto y enumera tres piezas: un codificador de texto Flan-UL2 de 8600 millones de parámetros, una U-Net de difusión latente de 3000 millones y un codificador-decodificador MoVQ de 267 millones. Ese mismo esquema sirve de mapa para entender cualquier otro generador.

Cada pieza responde a una pregunta del comprador. Los autores escriben que mejoraron la comprensión del texto y la calidad visual al agrandar, respectivamente, el codificador de texto y la U-Net: el primero lee tus palabras y la segunda dibuja. Los datos de entrenamiento deciden qué dibuja el modelo con soltura: la versión 3.0 incorporó más datos relacionados con la cultura rusa para poder generar imágenes sobre esos temas. La página indica además la licencia, Apache 2.0: búscala antes de cualquier uso comercial.

Qué comparar entre generadores de imágenes antes de pagar

Empieza por el control: es lo que separa una herramienta de una tragamonedas. La guía de Google sobre sus modelos Nano Banana dice que combinan hasta 14 imágenes de referencia, editan por texto una imagen subida y cambian su estilo o su gradación de color; para iterar recomienda una conversación de varios turnos. La guía de generación de imágenes de OpenAI ofrece ediciones, imágenes a partir de referencias y máscaras para cambios locales. Y admite que el modelo puede no seguir con total precisión la forma exacta de la máscara.

Luego revisa el resultado. Google anuncia generación integrada en 1K, 2K y 4K; OpenAI acepta tamaños personalizados con lados múltiplos de 16 píxeles y de hasta 3840; la documentación de Stability AI indica 1,5 megapíxeles para su servicio Stable Image Core. OpenAI escribe que sus modelos aún pueden fallar en la colocación precisa y la nitidez del texto; Google aconseja generar primero el texto y luego la imagen que lo contiene. Entre los idiomas con mejor rendimiento, Google incluye el español de México.

Por último, lee las condiciones. Los Términos Adicionales de la API de Gemini dicen que Google no reclamará la propiedad del contenido generado y que puede generar contenido igual o parecido para otros. En el nivel gratuito, lo que envías sirve para mejorar los productos de Google, revisores humanos pueden leerlo y se pide no enviar información sensible, confidencial o personal; en el nivel de pago, las instrucciones no se usan así. Adobe afirma que los modelos de Firefly se entrenan con contenido con licencia y de dominio público cuyos derechos de autor han expirado.

Un brief de una página antes del primer prompt de imagen

Un resultado controlado empieza antes de abrir la herramienta. Escribe dónde vivirá la imagen, su formato, qué debe mostrar y a qué no debe parecerse, más tres o cuatro criterios comprobables. La guía de Google aconseja dar contexto e intención: pedir un logo para una marca minimalista de cosmética de alta gama funciona mejor que pedir un logo sin más. Como referencia, una foto de la luz que buscas dice más que un párrafo. Y formula las restricciones como lo que sí debe haber: Google lo llama prompt negativo semántico, una calle vacía y desierta en lugar de «sin coches».

Fija todo lo que la herramienta te deje fijar. La documentación de Stability AI ofrece un campo aparte para el prompt negativo y define la semilla como un valor que guía la aleatoriedad de la generación; si la omites, se usa una al azar. El servicio devuelve la semilla con cada imagen, así que un buen resultado puede reproducirse; la proporción se elige entre 21:9 y 9:21. Escritos en el brief, estos ajustes evitan que cada ronda cambie tres cosas a la vez.

Un cambio por ronda: cómo iterar sobre una imagen generada

La sensación de lotería nace de cambiarlo todo cada vez. La guía de Google dice que no esperes una imagen perfecta al primer intento y propone ajustes del tipo «deja todo igual, pero cambia la expresión del personaje». Para escenas complejas aconseja construir la petición por pasos: el fondo, luego el objeto en primer plano, luego el detalle encima. Conviértelo en rutina y cambia una sola variable por ronda: la luz, después el encuadre, después el material.

Lleva un registro con el prompt, las referencias, la semilla o la conversación, el modelo y la fecha. Los modelos cambian de una versión a otra, y un resultado antiguo puede no volver. Elige según los criterios del brief y no por la primera impresión. Después termina a mano la imagen elegida: recorte, retoque, el texto compuesto en un programa de maquetación.

Dónde se detienen los generadores: maquetas, personajes recurrentes, reglas de marca

Los fabricantes documentan sus puntos débiles. OpenAI enumera cuatro: una petición compleja puede tardar hasta dos minutos, el texto preciso sigue siendo difícil, los personajes recurrentes o los elementos de marca pueden variar entre generaciones y cuesta colocar elementos con exactitud en composiciones sensibles a la maqueta. Google fija límites por modelo sobre cuántos personajes conservan su parecido en un mismo flujo de trabajo. Así se ve lo que un generador no sustituye: un menú o una ficha de producto son ante todo una maqueta, y una marca es un conjunto de reglas que el modelo desconoce si no se las das.

Algunos límites no son técnicos. OpenAI escribe que todas las instrucciones e imágenes generadas se filtran según su política de contenido. Stability AI devuelve una imagen difuminada con un motivo de finalización especial cuando el resultado infringe su política de moderación. El rostro de una persona real, el logo de otra empresa o un personaje famoso son una pregunta para un abogado antes que para un prompt.

De quién es una imagen generada y cómo declararlo con honestidad

Las condiciones de uso y el derecho de autor responden a preguntas distintas. En su informe de enero de 2025, la Oficina de Derechos de Autor de EE. UU. concluyó que la protección no se extiende al material generado íntegramente por IA y que las instrucciones por sí solas no dan control suficiente para que el usuario sea autor; elegir un resultado tampoco es autoría. Pueden protegerse el trabajo humano perceptible en el resultado, las modificaciones creativas y una selección y disposición creativas. En un caso citado, la selección y disposición de imágenes generadas con texto humano en un cómic se consideraron protegibles como compilación.

En el derecho ruso, el artículo 1228 del Código Civil dice que el autor de un resultado de actividad intelectual es el ciudadano cuyo trabajo creativo lo creó. Ninguno de los dos textos resuelve un proyecto concreto: para un contrato o una marca, consulta a un especialista. Etiquetar es más sencillo. Google afirma que todas las imágenes de sus modelos llevan una marca de agua SynthID, que Google DeepMind describe como invisible y diseñada para resistir recortes, filtros y compresión con pérdida; Adobe, que los resultados de Firefly llevan Content Credentials que indican el uso de IA. Decirle al cliente qué se generó sigue siendo tarea del autor.

Una semana de práctica con un generador de imágenes y lo que añade el curso

Casi todo esto se practica a solas en una semana con una tarea real: tres portadas para un boletín, una ilustración para la carta de una cafetería, un banner de rebajas. Escribe el brief en una página y elige un solo generador de imágenes con IA. Lee sus páginas de límites y condiciones, haz tres rondas con un cambio en cada una y anota cada intento. Termina una imagen a mano y júzgala con los criterios del brief; la hoja de trabajo de prompts gratuita de la biblioteca de VITON13 SCHOOL da al brief una estructura lista.

Una semana a solas no da un método que aguante de una tarea a otra, ni una mirada externa. El Curso de IA para diseñadores de VITON13 SCHOOL tiene ocho módulos: concepto visual, dirección de arte, generación de imágenes con control de encuadre, estilo y detalle, prompting sistémico con plantillas y variables, sistemas de marca, interfaces, selección y acabado, y derechos y ética. Al terminar tienes un moodboard y un concepto escrito, una biblioteca de prompts visuales, una guía breve del sistema de marca y pantallas de interfaz, en un proyecto adaptado a tu propia tarea. La página del curso recoge las condiciones vigentes.