Multimodal.

En la práctica

Google presentó Gemini en diciembre de 2023 como un modelo pensado desde el principio para texto, código, audio, imagen y vídeo. Hoy es lo normal al leer y bastante menos al escribir. Gemini 3.8 Flash entiende texto, imagen, vídeo, audio y PDF, pero solo responde en texto, y los Claude actuales leen texto e imagen y contestan en texto. Para generar imágenes, voz o vídeo suele hacer falta otro modelo, y ahí entra la parte generativa.

Abre trabajo que la IA de solo texto no tocaba: facturas escaneadas, fotos de una incidencia, grabaciones de llamadas, planos. En la UE, generar imagen, vídeo o audio fue en 2025 la segunda tecnología de IA más usada por las empresas (9,55 %), detrás del análisis de texto, en el primer año en que Eurostat la medía.

Por qué te importa

Un ejemplo. Una aseguradora recibe las fotos de un golpe y una nota de voz del cliente. El modelo lee las dos cosas, rellena el parte y señala lo que no cuadra, y la persona que tramita revisa antes de decidir.

En marketing hay una medición. El AI Index 2026 recoge un estudio de 2025 en el que los equipos que usaban IA multimodal para crear anuncios produjeron un 50 % más por persona. Las imágenes también se cobran en tokens, aunque salen baratas. Según Anthropic, mil imágenes de 1.000 por 1.000 píxeles cuestan algo más de un dólar con Claude Haiku 4.5.

Los límites

Que lea imágenes no quiere decir que las lea bien. Anthropic avisa de que Claude puede equivocarse o inventar con imágenes de poca calidad, giradas o muy pequeñas, de que cuenta objetos de forma aproximada y de que no sabe distinguir si una imagen la ha hecho una IA. Así que no sirve como detector de deepfakes.

«Multimodal» en un folleto no dice qué formatos entran ni cuáles salen. Conviene preguntarlo y probarlo con tus propios documentos antes que con los de la demostración.