Imagen y video con IA: guía práctica

Con una frase puedes obtener la foto de un pastel de tres leches sobre una mesa de talavera, un cartel para la kermés de la escuela o un video de ocho segundos de tu producto girando sobre un fondo de estudio. Las herramientas de imagen y video con inteligencia artificial pasaron en pocos años de curiosidad a herramienta de trabajo para agencias, tiendas en línea y creadores de contenido. También trajeron problemas serios: imágenes falsas de personas reales, dudas sobre quién es dueño de lo generado y nuevas obligaciones legales.

Esta guía práctica explica cómo funcionan estos sistemas, qué herramientas están vigentes a noviembre de 2026, cómo escribir instrucciones visuales que den buenos resultados, un flujo de trabajo concreto para una pyme y lo que debes saber sobre derechos de autor, etiquetado y riesgos legales en México. Todo lo verificamos el 4 de noviembre de 2026; en este campo los productos cambian cada pocos meses.

Cómo funciona la IA que genera imágenes y video

Casi todos los generadores actuales se basan en modelos de difusión. La idea, formalizada en el artículo «Denoising Diffusion Probabilistic Models» (Ho, Jain y Abbeel, 2020), es sencilla de contar: durante el entrenamiento se toma una imagen y se le agrega ruido paso a paso hasta que queda como estática de televisión; el modelo aprende a hacer el camino inverso, a quitar ese ruido poco a poco. Cuando generas, el sistema parte de ruido puro y lo va «limpiando» guiado por tu texto hasta que aparece una imagen coherente.

Para que esto sea rápido, la mayoría de los sistemas no trabaja con los píxeles directamente, sino en un espacio latente: una representación comprimida de la imagen. Ese enfoque, descrito en el artículo de difusión latente de Rombach y colaboradores (2021), es la base de Stable Diffusion y de buena parte de los modelos que vinieron después.

Texto a imagen y texto a video

En texto a imagen, un codificador de lenguaje convierte tu instrucción en una representación numérica que orienta cada paso de limpieza del ruido. El texto a video añade una dimensión más, el tiempo: el modelo debe generar cuadros que sean coherentes entre sí, que respeten la física y que mantengan al mismo personaje de principio a fin. Por eso el video es más caro de generar y más propenso a errores. Runway, por ejemplo, reconoce en el anuncio de su modelo Gen-4.5 (diciembre de 2025) que todavía hay fallas de causalidad (una puerta que se abre antes de tocar la manija) y objetos que aparecen o desaparecen entre cuadros.

Los modelos más recientes son además multimodales: aceptan imágenes de referencia junto con el texto, generan audio sincronizado con el video y, en algunos casos, «razonan» antes de dibujar para planear la composición o el texto que aparecerá en la imagen.

Edición y relleno generativo

No todo es crear desde cero. El relleno generativo permite seleccionar una zona de una foto y pedir que se reemplace (quitar un cable, cambiar el fondo) o extender la imagen más allá de sus bordes para adaptarla a otro formato. Con la misma lógica, herramientas de video como Flow de Google permiten insertar elementos en una escena o extender un clip a partir de su último segundo, según el blog oficial de Google (15 de octubre de 2025). Para una pyme, la edición suele ser más útil que la generación pura: partes de una foto real de tu producto y mejoras lo demás.

Herramientas vigentes a noviembre de 2026

El mercado se divide entre los grandes laboratorios, que integran imagen y video en sus asistentes, y empresas especializadas con herramientas más finas para profesionales. Éstas son las principales que verificamos:

Imagen

• ChatGPT Images 2.0 (OpenAI). Lanzado en abril de 2026 con el modelo gpt-image-2. Según The Next Web (23 de abril de 2026), su modo instantáneo está disponible para todas las cuentas, incluidas las gratuitas, mientras que el modo con razonamiento es para planes de pago; destaca por escribir texto legible dentro de la imagen y genera hasta 2K de resolución. Incluye metadatos C2PA.
• Nano Banana y Nano Banana Pro (Google). Los modelos de imagen de Google, disponibles en la app de Gemini y en Flow. La página de planes para México indica que la versión sin costo incluye generación y edición de imágenes y acceso limitado a Nano Banana Pro en Flow.
• Midjourney. Referente en calidad estética. En 2026 lanzó la familia V8 (V8.1 se publicó el 30 de abril de 2026, según su documentación). Funciona por suscripción.
• Adobe Firefly. Integrado en Photoshop, Express y la app de Firefly. Adobe promociona sus modelos propios como «seguros para uso comercial» porque, según la empresa, se entrenaron con imágenes de Adobe Stock, contenido de dominio público y material con licencia abierta (Computerworld). En marzo de 2026 su Image Model 5 pasó a disponibilidad general y la plataforma reúne más de 30 modelos de terceros (eWeek).
• FLUX (Black Forest Labs). Ofrece modelos de generación y edición de imágenes, algunos con pesos abiertos que puedes ejecutar en tu propia infraestructura, según su sitio oficial.
• En asistentes generales. Meta AI, Grok, Le Chat y Copilot también generan imágenes desde el chat; son prácticos para usos rápidos. Los comparamos en nuestra comparativa de asistentes.

Video

• Veo 3.1 (Google). Genera video con audio nativo (efectos, ambiente y diálogos), en 1080p y 4K, a partir de texto o imágenes; los videos llevan marca SynthID, según Google DeepMind. Se usa en la app de Gemini, en Flow y por API. En México, AI Pro (395 MXN al mes) incluye una prueba limitada de Veo 3.1 Lite y AI Ultra el acceso más amplio.
• Runway Gen-4.5. Herramienta de referencia para producción audiovisual; disponible en todos sus planes de pago desde su lanzamiento el 1 de diciembre de 2025.
• Kling 3.0 (Kuaishou). La empresa china lanzó en febrero de 2026 su serie 3.0 de video e imagen, con audio nativo y clips de hasta 15 segundos, según su comunicado distribuido por Bernama.
• Luma Ray3.2. El modelo más reciente de Luma AI genera clips de 5 o 10 segundos con color de 16 bits y exportación EXR para posproducción, según su página oficial.
• Sora (OpenAI), descontinuado. El 24 de marzo de 2026 OpenAI anunció que dejaba de ofrecer Sora en su app de consumo y en su API, según CBS News. Si encuentras tutoriales que lo recomiendan, están desactualizados.

Tabla de herramientas por uso

Encontrarás más opciones, con descripción y categoría, en el directorio de herramientas de manIA.

Cómo escribir prompts visuales

Un prompt visual funciona mejor cuando describe la imagen como lo haría un director de fotografía y no como una idea vaga. Estos son los elementos que más influyen en el resultado:

1. Sujeto: qué aparece, con detalles concretos. No «comida mexicana», sino «tres tacos al pastor con piña, cebolla y cilantro en plato de barro».
2. Estilo: fotografía de producto, ilustración plana, acuarela, render 3D, estilo de cartel de lucha libre. Evita pedir el estilo de artistas vivos por nombre: además de un problema ético, algunas plataformas lo bloquean.
3. Composición: plano cerrado, plano general, vista cenital, regla de tercios, espacio libre a la izquierda para texto.
4. Iluminación: luz natural de mañana, luz suave de estudio, contraluz al atardecer, luz cálida de interior.
5. Lente y cámara: «lente de 85 mm, poca profundidad de campo» para retratos con fondo desenfocado; «gran angular» para espacios; «macro» para texturas.
6. Relación de aspecto: 1:1 para publicaciones cuadradas, 4:5 para el feed vertical, 9:16 para historias y video corto, 16:9 para YouTube o presentaciones.
7. Prompt negativo: lo que no quieres. El prompt negativo es un campo propio en herramientas como las basadas en Stable Diffusion; en asistentes conversacionales basta con escribirlo («sin personas, sin texto, sin marcas de agua»).

Un ejemplo completo para la tienda en línea de una cafetería en Xalapa:

Fotografía de producto de una bolsa de café de 500 g color kraft
con etiqueta blanca lisa, sobre una mesa de madera clara junto a
granos de café tostado y una taza de barro humeante.
Luz natural suave desde la izquierda, fondo desenfocado,
lente de 50 mm, vista a 45 grados, espacio libre a la derecha.
Relación de aspecto 4:5.
Evitar: texto en la etiqueta, manos, logotipos, colores saturados.

Para video, añade lo que pasa en el tiempo: movimiento de cámara («travelling lento hacia adelante», «toma fija»), acción del sujeto, duración y sonido («sonido ambiente de cafetería, sin música»). Pide una sola acción por clip: los modelos fallan más cuando encadenas muchas.

Flujo de trabajo para una pyme

Imagina una pequeña marca de salsas artesanales en Oaxaca que vende por Instagram, WhatsApp y un mercado en línea. Este es un flujo realista, ilustrativo, para usar IA sin perder la confianza de sus clientes.

1. Fotos de producto

• Parte de fotos reales. Toma la foto del frasco con el celular, con buena luz natural y fondo liso. La IA debe mejorar el entorno, no inventar el producto: si la etiqueta, el color o el tamaño cambian, estás anunciando algo que no vendes, y eso puede violar las reglas de publicidad y de protección al consumidor.
• Cambia fondos y ambientes con relleno generativo: el mismo frasco sobre una mesa de cocina tradicional, en un picnic o en fondo blanco para el catálogo.
• Revisa detalles: reflejos imposibles, sombras en direcciones distintas, texto deformado en la etiqueta.

2. Contenido para redes sociales

• Define una guía visual (paleta de colores, tipo de luz, encuadre) y reutiliza el mismo bloque de estilo en todos tus prompts para que la cuenta se vea coherente.
• Genera variaciones en varios formatos: 1:1 para el feed, 9:16 para historias.
• Añade el texto aparte en un editor como Canva o Express cuando necesites precisión (precios, fechas, teléfonos). Aunque los modelos ya escriben mejor, un error en un precio cuesta caro.

3. Video corto

• Escribe un guion de tres a cinco tomas de pocos segundos cada una: el frasco abriéndose, la salsa sobre unos tacos, el logotipo final.
• Genera cada toma por separado a partir de una foto real del producto (imagen a video) para mantener la apariencia correcta.
• Monta y agrega música con licencia en un editor. No uses canciones comerciales sin permiso.
• Etiqueta el contenido cuando muestre escenas que no ocurrieron: «imagen generada con IA» evita malentendidos.

Si quieres formalizar este proceso, revisa los cursos de manIA sobre imagen, video y marketing para pymes.

Derechos de autor y licencias de uso comercial

Aquí hay dos preguntas distintas que suelen confundirse: ¿puedo usar comercialmente lo que genero? (lo dicen los términos de servicio) y ¿alguien puede reclamar derechos sobre ello? (lo dice la ley). Sobre derechos de autor e IA, esto es lo verificado:

Lo que dice la ley mexicana

La Segunda Sala de la Suprema Corte resolvió el 14 de julio de 2025, en el amparo directo 6/2025, que las obras creadas exclusivamente por inteligencia artificial no están protegidas por la Ley Federal del Derecho de Autor, porque en México el autor sólo puede ser una persona física (Expansión). El caso surgió cuando una persona intentó registrar ante el Indautor un avatar creado con una herramienta de IA. Según la misma nota, las obras con intervención humana significativa (dirigir el proceso, seleccionar, ajustar, aportar una visión propia) sí podrían protegerse, aunque falta claridad práctica sobre qué cuenta como «significativa».

Consecuencia práctica: si tu logotipo o tu campaña se generaron casi por completo con IA, quizá no puedas impedir que otros los copien. Para elementos centrales de tu marca, conviene que una persona diseñadora intervenga de forma sustancial y documentada, y que explores el registro como marca ante el IMPI, que es una figura distinta del derecho de autor.

Lo que dicen los términos de las plataformas

• OpenAI: las versiones publicadas de sus términos de uso asignan al usuario los derechos que OpenAI pudiera tener sobre el resultado y permiten el uso comercial si cumples las condiciones; advierten que otros usuarios pueden recibir resultados similares. Consulta la versión vigente en openai.com/policies.
• Google: sus Condiciones del Servicio, vigentes desde el 30 de julio de 2026, establecen que Google no reclamará la propiedad del contenido original que sus servicios te permiten generar, sujeto a su política de uso prohibido de IA generativa.
• Midjourney: su documentación de planes indica que las empresas con ingresos brutos anuales superiores a 1 millón de dólares deben contratar los planes Pro o Mega para uso comercial.
• Adobe Firefly: Adobe ofrece indemnización por reclamos de propiedad intelectual a clientes empresariales que usan sus modelos propios dentro de sus términos (Computerworld). Esa garantía no se extiende automáticamente a los modelos de terceros integrados en Firefly.

Que una plataforma te permita el uso comercial no te protege si el resultado reproduce una marca, un personaje o una obra ajena. Si pides «un ratón al estilo de cierta caricatura famosa» y lo pones en tus playeras, el problema es tuyo.

Deepfakes, ética y etiquetado: C2PA y SynthID

Un deepfake es un contenido sintético que hace parecer que una persona real dijo o hizo algo que nunca ocurrió. La misma tecnología que mejora la foto de tu producto permite crear un video falso de una candidata, un audio con la voz clonada de un familiar pidiendo dinero o imágenes íntimas no consentidas. Por eso la industria trabaja en dos tipos de señales:

• Credenciales de contenido (C2PA). La Coalición para la Procedencia y Autenticidad del Contenido mantiene un estándar abierto que registra el origen de un archivo y su historial de ediciones, «una etiqueta nutricional para el contenido digital», según su sitio. En su comité directivo están Adobe, Amazon, BBC, Google, Meta, Microsoft, OpenAI, Sony y TikTok, entre otros. La limitación: los metadatos se pueden perder si alguien hace captura de pantalla o reexporta el archivo.
• Marcas de agua invisibles. Una marca de agua de IA se incrusta en los píxeles o en el audio. SynthID, de Google, marca imágenes, video, audio y texto generados por sus modelos, y está diseñada para resistir recortes, filtros y compresión, según Google DeepMind. Puedes subir un archivo a Gemini y preguntar si fue creado con IA de Google, o usar el portal SynthID Detector, que según Google también reconoce contenido de socios como OpenAI y NVIDIA.

Ninguna señal es infalible: que un archivo no tenga marca no prueba que sea auténtico. Ante un video sospechoso, busca la fuente original, revisa si medios serios lo reportan y desconfía de lo que apela a la urgencia o al enojo.

Principios éticos para tu negocio

• Etiqueta el contenido generado cuando pueda confundirse con la realidad.
• No uses IA para mostrar resultados que tu producto no logra (el «antes y después» fabricado).
• No imites el estilo reconocible de una persona creadora para competir con ella.
• Revisa sesgos: si todas tus imágenes generadas muestran el mismo tipo de persona, corrígelo en el prompt.

Riesgos legales en México: imagen, voz y violencia digital

Varias normas mexicanas vigentes ya se aplican al contenido sintético. Revisamos los textos en el sitio de la Cámara de Diputados. Esto es información general, no asesoría legal.

Imagen y voz de artistas

La Ley Federal del Derecho de Autor, reformada en el DOF el 14 de mayo de 2026, establece en su artículo 87 que la imagen, «incluida la voz», de las personas artistas intérpretes o ejecutantes sólo puede usarse con su consentimiento expreso, y que esa protección «abarca los resultados generados por sistemas de inteligencia artificial o cualquier otra tecnología». La reforma excluye la parodia, la sátira y la imitación creativa, siempre que no haya clonación o suplantación que induzca a error al público o que busque sustituir el trabajo del artista. Además, el artículo 118 les da derecho a prohibir la suplantación de sus interpretaciones o la simulación identificable de su voz con IA, y el artículo 121 exige un acuerdo previo y por escrito para cualquier clonación de voz o imagen en producciones audiovisuales.

Traducido a tu día a día: un anuncio con la voz clonada de un locutor conocido o un video con la cara de una actriz sin contrato te expone a reclamaciones bajo la ley de derechos de autor.

Imagen de cualquier persona

Para personas que no son artistas, el Código Civil Federal define en su artículo 1916 el daño moral como la afectación en el honor, la reputación, la vida privada o la «configuración y aspecto físicos» de una persona, y obliga a repararlo con una indemnización. Usar la cara de tu vecino, de un exempleado o de una clienta en un contenido generado sin su permiso puede encajar ahí, además de las leyes estatales aplicables. Si manejas fotos de clientes, recuerda también tus obligaciones de protección de datos personales.

Deepfakes sexuales: Ley Olimpia

Las reformas conocidas como Ley Olimpia definen la violencia digital en el artículo 20 Quáter de la Ley General de Acceso de las Mujeres a una Vida Libre de Violencia e incluyen expresamente imágenes, audios o videos «reales o simulados» de contenido íntimo sexual difundidos sin consentimiento. El artículo 199 Octies del Código Penal Federal castiga con tres a seis años de prisión a quien divulgue ese contenido o a quien lo «elabore» sin consentimiento. Crear o compartir un desnudo falso de una persona real no es una broma: es un delito.

Lista de verificación antes de publicar

Antes de subir a redes o a tu tienda cualquier imagen o video generado, repasa estas preguntas:

1. ¿El producto se ve exactamente como el real (color, tamaño, etiqueta)?
2. ¿Aparece alguna persona identificable? Si sí, ¿tienes su autorización por escrito?
3. ¿Hay marcas, logotipos o personajes ajenos en la imagen?
4. ¿Los términos de la herramienta permiten el uso comercial en tu plan?
5. ¿El texto dentro de la imagen está bien escrito, letra por letra?
6. ¿Las manos, sombras y reflejos son coherentes?
7. ¿Indicas que es contenido generado cuando podría confundirse con una escena real?
8. ¿Guardaste el prompt, la herramienta y la fecha, por si necesitas demostrar cómo se hizo?

Con estas precauciones, la imagen y el video con IA pueden ahorrarle a un negocio pequeño horas de producción y dinero en sesiones de fotos. La clave es usarlos para mostrar mejor lo que es real, no para inventar lo que no existe.