Escribes una frase. «Un astronauta montando a caballo en Marte, estilo acuarela.» Pulsas generar. Diez segundos después tienes una imagen que nunca existió antes, que nadie dibujó, y que probablemente ni siquiera podrías encontrar buscando en Google.
¿Cómo sabe una máquina qué aspecto tiene «estilo acuarela»? ¿Cómo dibuja algo que jamás ha visto?
De un texto a una imagen en diez segundos
Herramientas como DALL-E, Midjourney o Stable Diffusion se han vuelto tan comunes que ya casi nadie se pregunta cómo funcionan por dentro. Las usamos para portadas, presentaciones, memes o simplemente por curiosidad, igual que ya vimos que muchos estudiantes usan ChatGPT para automatizar tareas universitarias.
Pero generar una imagen es un proceso completamente distinto a generar texto. No hay palabras que predecir una detrás de otra. Hay que construir, píxel a píxel, algo que parezca coherente, bonito y fiel a lo que has pedido.
La técnica que lo hace posible tiene un nombre poco intuitivo: modelo de difusión.
Qué es exactamente un modelo de difusión
Imagina una fotografía nítida. Ahora imagina que le añades ruido, como la estática de un televisor antiguo, poco a poco, paso a paso, hasta que la imagen original desaparece por completo y solo queda una nube de píxeles sin sentido.
Un modelo de difusión aprende a hacer justo eso. Y, lo más importante, aprende también el camino contrario: cómo ir quitando ese ruido, paso a paso, hasta recuperar una imagen nítida.
Ese segundo proceso —partir del caos y llegar a una imagen reconocible— es exactamente lo que ocurre cada vez que le pides a una IA que dibuje algo. Solo que, en lugar de recuperar una foto que ya existía, la IA construye una imagen completamente nueva guiada por las palabras de tu prompt.
Cómo aprende una IA a «dibujar»
Antes de generar nada, el modelo tiene que entrenarse. Y para eso necesita una cantidad descomunal de ejemplos.
Durante el entrenamiento, se le muestran al modelo millones de pares formados por una imagen y su descripción de texto: una foto de un perro junto a la palabra «perro», una pintura renacentista junto a su descripción, una fotografía de una calle lluviosa junto al texto que la describe. Así, una y otra vez, con millones de ejemplos distintos.
Con el tiempo, el modelo no memoriza esas imágenes concretas. Aprende patrones: qué combinaciones de formas, colores y texturas suelen aparecer cuando alguien menciona «atardecer», «gato», «ciudad futurista» o «estilo acuarela». Cuantos más ejemplos ve, más fino se vuelve reconociendo esos patrones y asociándolos correctamente con las palabras.
Es, en cierto modo, un proceso parecido al que ya explicamos al hablar de cómo funciona realmente la inteligencia artificial: no hay comprensión real de lo que es un gato, solo un reconocimiento estadístico extremadamente sofisticado de patrones.
El viaje desde el ruido hasta la imagen final
Aquí está la parte que sorprende a casi todo el mundo: la IA no empieza a dibujar desde una hoja en blanco. Empieza desde el caos total.
- El modelo genera una imagen formada completamente por ruido aleatorio, como estática pura.
- Analiza tu prompt de texto y lo convierte en una representación que puede usar como guía.
- Elimina un poquito de ruido, ajustando la imagen levemente hacia lo que describe el prompt.
- Repite ese proceso de eliminar ruido entre 20 y 50 veces seguidas.
- En cada paso, la imagen se parece un poco más a lo que pediste, hasta que en el paso final aparece una imagen nítida y coherente.
Todo esto no ocurre directamente sobre los píxeles finales, sino en lo que se conoce como un espacio latente: una versión comprimida y simplificada de la imagen. Trabajar ahí, en lugar de sobre cada píxel individual, es lo que permite que todo el proceso se complete en segundos en lugar de minutos u horas.
Por qué las manos y el texto siguen siendo un problema
Seguro que has visto imágenes generadas por IA con manos de seis dedos o carteles con letras que no forman ninguna palabra real. No es casualidad, y tampoco es un fallo aleatorio.
Las manos son extremadamente variables: se doblan, se giran, se ocultan parcialmente, adoptan cientos de posiciones distintas. El modelo ha visto manos en millones de imágenes, pero nunca ha aprendido una estructura fija y consistente como la que sí tiene, por ejemplo, una cara. El resultado es que a menudo improvisa una combinación de dedos que parece plausible a primera vista, pero que no se sostiene si la miras con atención.
Con el texto ocurre algo parecido pero más exagerado. El modelo no entiende letras ni palabras, solo reconoce patrones visuales. Sabe que un cartel «parece» tener texto porque ha visto muchos carteles con letras, pero no tiene ningún mecanismo interno que garantice que esas letras formen una palabra real. El resultado son garabatos que imitan la forma de un texto sin llegar a serlo.
Es exactamente el mismo tipo de limitación que ya vimos al hablar de las alucinaciones de ChatGPT: el modelo no sabe que se equivoca, simplemente genera el resultado estadísticamente más probable según lo que aprendió.
Los modelos que dominan 2026
Varios modelos se reparten hoy la mayor parte del uso.
DALL-E, integrado directamente en ChatGPT, es probablemente el más usado por el público general gracias a esa integración. Midjourney sigue siendo la referencia para quienes buscan resultados con más carácter artístico, aunque funciona de forma menos directa que el resto. Stable Diffusion, a diferencia de los anteriores, es de código abierto, lo que ha permitido que miles de desarrolladores lo modifiquen y lo ejecuten incluso en sus propios ordenadores. Y Gemini, con su modelo Imagen integrado, apuesta fuerte por la coherencia con instrucciones muy detalladas y de varios pasos.
La legislación sobre derechos de autor de las imágenes generadas —y sobre las imágenes usadas para entrenar estos modelos— todavía se está definiendo en la mayoría de países, así que conviene revisar los términos de cada herramienta antes de darle un uso comercial a lo que generes.
Cómo sacarle partido sin depender de él
Entender que una IA de imágenes no «dibuja» como una persona, sino que reconstruye patrones a partir del ruido, cambia la forma de usarla.
Si sabes que el modelo funciona por patrones y no por comprensión real, tiene sentido revisar siempre los detalles finos antes de usar una imagen generada en un trabajo serio: cuenta los dedos, revisa cualquier texto que aparezca, comprueba que los objetos tengan sentido físico. La herramienta es extraordinaria para portadas, ilustraciones conceptuales o presentaciones. Pero, como cualquier otra IA, funciona mejor cuando sabes exactamente dónde es probable que falle.
Deja una respuesta