26 de agosto del 2026
Introducción
Visión artificial, significado y límites
Vivimos en una cultura en la que las imágenes ya no son únicamente objetos que contemplamos. Además, son datos que se almacenan, clasifican, comparan, recomiendan, modifican y generan. Cualquier contenido hecho con IA pertenece a un universo digital con sus propias lógicas, pero no tiene necesariamente el mismo significado ni cumple la misma función.
Durante mucho tiempo, interpretar una imagen fue considerado una actividad fundamentalmente humana. Hoy una inteligencia artificial logra identificar objetos, describir escenas, extraer texto, localizar elementos, responder preguntas sobre fotografías, relacionar imágenes con palabras y producir nuevas representaciones visuales. La evolución de los modelos visión-lenguaje ha desplazado la cuestión desde el reconocimiento hasta tareas mucho más complejas de razonamiento multimodal.
Por eso la pregunta «¿Puede una inteligencia artificial entender una imagen?» ya no es una cuestión puramente futurista. Pero tampoco es una pregunta que pueda responderse diciendo simplemente sí o no.
Antes debemos distinguir entre detectar, reconocer, relacionar, interpretar y comprender. Un sistema identifica correctamente un rostro sin saber quién es la persona, reconocer una lágrima sin conocer su causa, describir una pintura sin experimentar su dimensión estética o identificar una bandera sin comprender plenamente la historia política que esa simbolización condensa.
La diferencia es importante porque las capacidades visuales de la inteligencia artificial ya intervienen en ámbitos donde un error no constituye solamente un fallo técnico. Aparecen en medicina, accesibilidad, seguridad, investigación, publicidad, moderación de contenidos, reconocimiento biométrico y creación artística.
La cuestión, por tanto, no consiste únicamente en saber qué logra hacer una máquina con una imagen, sino qué clase de conocimiento produce cuando afirma haberla entendido. Y, todavía más importante, qué ocurre cuando confiamos en ese conocimiento.
DE LA VISIÓN ARTIFICIAL A LOS MODELOS MULTIMODALES
¿Qué es realmente la visión artificial?
La visión artificial o computer vision es el campo de la informática y la inteligencia artificial dedicado a extraer información de imágenes y vídeos. Su desarrollo precede ampliamente a la actual generación de modelos multimodales.
Durante décadas, los sistemas se diseñaron para resolver problemas relativamente delimitados, como detectar objetos, clasificar imágenes, reconocer rostros, segmentar regiones, localizar elementos o extraer caracteres mediante OCR.
El aprendizaje profundo transformó ese panorama al permitir que las redes neuronales aprendieran representaciones visuales a partir de grandes conjuntos de datos. La imagen dejó progresivamente de ser tratada como una colección de características diseñadas manualmente y pasó a convertirse en una entrada para modelos que podían aprender regularidades complejas.
Sin embargo, todavía existía una separación importante entre visión y lenguaje. Un sistema podía saber que en una fotografía había un perro, pero eso no significaba que pudiera relacionar esa imagen con conceptos expresados libremente mediante lenguaje natural. La aparición de los modelos visión-lenguaje modificó esta situación.
De «¿qué hay en la imagen?» a «¿qué relación existe entre lo que vemos y lo que decimos?»
Uno de los trabajos decisivos en esta transición fue CLIP, desarrollado por Radford y colaboradores. El modelo aprendió representaciones a partir de aproximadamente 400 millones de pares imagen-texto, utilizando el lenguaje natural como una forma flexible de referirse a conceptos visuales. Esto permitió realizar tareas zero-shot, es decir, aplicar conceptos que no habían sido definidos previamente como categorías cerradas de clasificación.
La importancia de esta transformación va más allá del rendimiento. El sistema tradicional podía recibir una fotografía y responder: «Perro».
Un modelo visión-lenguaje llegaría a relacionar esa misma imagen con expresiones mucho más complejas: «Un perro descansando junto a una persona en un parque».
El salto consiste en que la representación visual empieza a conectarse con estructuras lingüísticas más abiertas. La investigación posterior ha ampliado enormemente este principio. Los modelos multimodales actuales combinan información visual y textual para realizar tareas de comprensión de imágenes, generación, edición, recuperación entre modalidades, visual grounding y razonamiento multimodal. Las revisiones recientes del campo muestran que esta integración constituye uno de los principales ejes de la investigación contemporánea.
Por eso hablar hoy de «IA que ve imágenes» resulta demasiado impreciso. Estamos ante sistemas capaces de relacionar modalidades.
Cuando una imagen se convierte en una pregunta
Una de las mejores formas de comprender esta evolución es observar el desarrollo del Visual Question Answering (VQA). En términos sencillos, VQA consiste en presentar una imagen y formular una pregunta cuya respuesta requiere utilizar información visual.
Por ejemplo: «¿De qué color es el coche?» La tarea parece sencilla, pero podemos formular preguntas progresivamente más complejas: «¿Qué está haciendo la persona que aparece junto al coche?» o «¿Por qué parece que está esperando?» Y después: «¿Qué elementos de la imagen sugieren que se trata de una estación de tren?»
La dificultad aumenta porque ya no basta con identificar objetos. Es necesario establecer relaciones entre ellos, integrar información visual y lingüística y, en algunos casos, utilizar conocimiento externo.
La investigación reciente muestra hasta qué punto este campo ha evolucionado. Las revisiones sobre VQA en modelos multimodales estudian tanto la extracción de información visual como los mecanismos de razonamiento, la incorporación de conocimiento externo y la forma de fusionar distintas modalidades.
Incluso existen actualmente evaluaciones especializadas para imágenes científicas. SciVQA 2025, por ejemplo, reunió 3.000 figuras científicas y 21.000 pares de preguntas y respuestas para estudiar la capacidad de los modelos multimodales para razonar sobre gráficos y figuras académicas. Los resultados muestran avances importantes, pero también dificultades cuando la tarea exige razonamiento visual preciso y conocimiento especializado.
Esto permite comprender algo esencial: responder sobre una imagen no equivale simplemente a reconocerla. Implica construir algún tipo de relación entre lo visual, lo lingüístico y el conocimiento.
El problema del visual grounding
Hay una pregunta todavía más exigente. Una IA afirma: «El hombre situado junto a la puerta lleva una mochila». ¿Podría indicar exactamente qué región de la imagen justifica esa afirmación?
Aquí entra en juego el visual grounding: la capacidad de vincular expresiones lingüísticas con elementos o regiones concretas de una imagen. Esta cuestión tiene una importancia epistemológica considerable. No basta con generar una frase plausible, hay que poder establecer una correspondencia entre lo dicho y lo que efectivamente está presente.
Podríamos formularlo de manera sencilla: No basta con decir algo sobre una imagen, hay que poder mostrar qué parte de la imagen sostiene lo que se dice.
Esta exigencia resulta especialmente importante en aplicaciones científicas, médicas o documentales, donde una afirmación visual incorrecta tiene consecuencias reales.
La investigación contemporánea sigue encontrando dificultades en este terreno. Los modelos pueden responder correctamente a muchas preguntas visuales, pero siguen mostrando problemas de razonamiento espacial, conteo, robustez frente a pequeñas modificaciones de las instrucciones y dependencia excesiva del componente lingüístico. Por tanto, el progreso es extraordinario, pero no lineal.
¿CUÁNDO RECONOCER SE CONVIERTE EN COMPRENDER?
Reconocimiento, interpretación y comprensión
Aquí comienza el verdadero problema filosófico. Reconocer significa, en términos funcionales, identificar una regularidad y asociarla con una categoría. Interpretar supone establecer relaciones entre eso que aparece y un contexto. Comprender parece exigir algo más.
Consideremos una fotografía en la que aparece una persona sentada junto a una ventana. Una IA detecta una persona, una ventana, una habitación y determinados objetos. También podría describir la escena como «una persona sentada en una habitación con expresión pensativa».
Hasta aquí, el resultado llegaría a ser excelente. Pero la imagen todavía admite preguntas diferentes: ¿La persona está esperando a alguien? ¿Está triste? ¿Está leyendo una carta? ¿Es una escena cotidiana o cinematográfica? ¿La ventana tiene una función narrativa? ¿La expresión corresponde realmente a tristeza o estamos proyectando esa categoría sobre el rostro?
La dificultad aparece cuando pasamos del contenido visible al significado. Los modelos multimodales actuales han avanzado precisamente en esta dirección, pero la investigación también ha demostrado que una respuesta aparentemente correcta posiblemente esconda mecanismos menos robustos de lo que parece.
Un estudio de 2025 sobre modality collapse, por ejemplo, analiza situaciones en las que los modelos visión-lenguaje dependen excesivamente de la información textual y no utilizan adecuadamente la información visual, aun cuando obtienen buenos resultados en determinadas pruebas.
Este resultado es especialmente interesante, porque significa que un modelo daría la respuesta correcta a una pregunta sobre una imagen sin que la imagen haya desempeñado en el razonamiento el papel que intuitivamente suponíamos. La apariencia de comprensión y el mecanismo que produce una respuesta no son necesariamente equivalentes.
La imagen no contiene todo su significado
Una fotografía no funciona como caja en cuyo interior existe un significado completo esperando ser extraído, el significado depende también del contexto.
Por ejemplo, la imagen de una multitud tal vez corresponda a una manifestación política, celebración deportiva, ceremonia religiosa o concentración espontánea. Los elementos visuales llegarían a ser similares, lo que cambia es la red de relaciones que los rodea (lugar, fecha, acontecimientos anteriores, símbolos, lenguaje, intención comunicativa y conocimiento histórico).
Los modelos multimodales utilizan parte de esa información si está disponible. Pero aquí conviene establecer una distinción: tener acceso a contexto no equivale necesariamente a experimentar dicho contexto.
Cierta inteligencia artificial es capaz de relacionar una fotografía de una playa con miles de textos sobre vacaciones, infancia, turismo, pérdida o deseo. Es decir, construye asociaciones extraordinariamente sofisticadas.
Pero la pregunta filosófica permanece: ¿Esas asociaciones constituyen una experiencia de lo que pretenden significar?
No necesitamos responderla afirmativamente ni negativamente para reconocer una diferencia importante entre representar información sobre algo y vivir una relación con ese algo.
La cultura también entra en la imagen
La bandera constituye un buen ejemplo. Visualmente es una superficie con determinados colores, formas y proporciones. Culturalmente representa una nación, revolución, guerra, identidad, memoria colectiva o una reivindicación política. La imagen no ha cambiado, sí el sistema de significados en el que está inscrita.
Los modelos de inteligencia artificial aprenden asociaciones culturales a partir de enormes cantidades de imágenes y textos. Esto les permite reconocer iconografías, estilos, símbolos y referencias que van mucho más allá de la descripción literal.
Pero aquí aparece una cuestión decisiva. Y es que la representación estadística de un concepto cultural no equivale necesariamente a una experiencia cultural.
Es posible que el modelo conozca miles de textos sobre una guerra, también reconocer fotografías de esa guerra, llegar a resumir sus consecuencias e identificar los símbolos utilizados por los contendientes. Pero no debemos confundir el conocimiento relacional que el sistema posee con una experiencia histórica propia. Esto es particularmente importante al hablar de arte.
¿Puede una IA comprender una obra de arte?
Una inteligencia artificial es capaz de identificar al autor de una obra, reconocer un estilo, describir su composición, localizar elementos iconográficos, compararla con otras pinturas y contextualizarla históricamente.
Incluso ofrece una interpretación sofisticada. Pero una obra de arte no existe únicamente como una suma de propiedades visuales, también tiene una dimensión histórica, cierta tradición y referencias a épocas, conflictos y criterios estéticos
Pensemos en Guernica. Un sistema identifica figuras humanas, animales, geometrías, contrastes cromáticos y recursos compositivos. También conoce la Guerra Civil española, el contexto histórico del cuadro, la trayectoria de Picasso y la tradición artística en la que se inscribe. Todo ello es claramente conocimiento relevante.
Pero todavía podemos formular otra pregunta: ¿Qué significa para un sujeto encontrarse con esa obra?
Esa dimensión no desaparece porque la máquina disponga de más información. Al contrario, cuanto más sofisticadas son sus capacidades descriptivas, más interesante resulta distinguir entre conocimiento sobre la obra y experiencia de ésta.
ALUCINACIONES, SESGOS Y LÍMITES DEL RAZONAMIENTO MULTIMODAL
Cuando la IA ve algo que no está
Uno de los problemas más importantes de los modelos multimodales actuales son las llamadas alucinaciones visuales. El término no debe entenderse literalmente. No significa que una máquina tenga una experiencia perceptiva semejante a una alucinación humana.
Describe situaciones en las que el sistema genera afirmaciones que no están respaldadas por el contenido visual. Inclusive atribuye a una fotografía un objeto inexistente, confundir una acción, añadir detalles que no aparecen o responder con seguridad a una pregunta cuya respuesta no podría establecerse a partir de la imagen.
HallusionBench, presentado en CVPR 2024, fue diseñado precisamente para estudiar estos problemas de razonamiento visual y mostró dificultades importantes incluso en modelos multimodales avanzados.
Otros trabajos han desarrollado evaluaciones específicas de alucinaciones relacionadas con objetos y han mostrado que mejorar ciertas métricas generales no garantiza necesariamente eliminar estos errores.
La consecuencia es fundamental: Una respuesta lingüísticamente convincente no garantiza que esté visualmente fundamentada.
El lenguaje oculta la incertidumbre
Aquí aparece una diferencia interesante respecto al error humano. Las personas también nos equivocamos al interpretar imágenes. A veces confundimos un objeto, atribuimos una intención incorrecta o una expresión facial de manera errónea. Sin embargo, normalmente disponemos de una experiencia subjetiva de nuestra propia incertidumbre. Podemos decir: «No estoy seguro». «Me parece que…». «Quizá sea…».
Los modelos generativos, en cambio, producen una respuesta lingüísticamente fluida, aunque la evidencia visual sea insuficiente. Esto ha llevado a una línea de investigación dedicada a la calibración y abstención en VQA: un sistema fiable no debería limitarse a contestar bien, sino también reconocer cuándo no dispone de evidencia suficiente para hacerlo.
Investigaciones también recientes han estudiado precisamente la necesidad de que los modelos sepan abstenerse o solicitar aclaraciones en lugar de responder siempre. La cuestión es decisiva para cualquier aplicación de alto impacto.
Un sistema que reconoce sus límites es muy útil. Un sistema que oculta sus límites detrás de un lenguaje convincente es endemoniadamente peligroso.
Sesgo: ¿Precisión para quién?
Los sistemas de visión artificial aprenden a partir de datos. Pero los datos no son el mundo, son una selección del mundo. Contienen, por ejemplo, personas que aparecen y personas que no aparecen; categorías que se utilizan y categorías que no se utilizan e imágenes producidas en determinadas culturas y ausencia de otras.
Por eso un modelo X aprende asociaciones que reproducen desigualdades sociales. El estudio Gender Shades, Joy Buolamwini y Timnit Gebru, mostró diferencias sustanciales en el rendimiento de sistemas comerciales de clasificación facial según sexo y tono de piel. En el conjunto analizado, las mujeres de piel más oscura fueron el grupo con mayores tasas de error.
El problema no era simplemente que el sistema «se equivocara». La cuestión era cómo se distribuían los errores (esta distinción sigue siendo esencial.
Un modelo X presenta una precisión global elevada y, al mismo tiempo, funcionar de manera significativamente peor para determinados grupos. Por eso preguntar únicamente «¿qué precisión tiene?» resulta insuficiente. Hay que preguntar: ¿Precisión para quién?
Las categorías tampoco son inocentes
Clasificar una imagen parece una operación técnica. Pero clasificar personas es otro tema.
- ¿Qué significa determinar automáticamente que alguien pertenece a una determinada categoría?
- ¿Qué significa inferir su edad?
- ¿Y atribuirle una emoción?
- ¿Clasificar su comportamiento como sospechoso?
- ¿Asociar un rostro con una identidad?
Las categorías incorporan supuestos sociales sobre lo normal, lo diferente, lo peligroso o lo deseable. La inteligencia artificial no inventa necesariamente esos supuestos, los aprende de materiales producidos socialmente y aplica a gran escala.
Aquí resulta especialmente útil la teoría crítica: una tecnología no debe evaluarse solamente por su funcionamiento interno, sino también por las relaciones sociales que organiza.
El problema no es afirmar que «la tecnología sea mala», el problema de fondo es más complicado: ¿Qué formas de poder se vuelven posibles cuando una clasificación se realiza automáticamente, a gran escala y con apariencia de objetividad?
Reconocimiento facial: cuando ver se convierte en identificar
El rostro ocupa una posición especial en la construcción de identidad. La inteligencia artificial permite convertir características faciales en datos que pasan a utilizarse para verificar o identificar personas.
La diferencia entre ambos procesos es importante. La verificación biométrica responde a una pregunta del tipo: «¿Esta persona es quien afirma ser?» La identificación biométrica plantea: «¿Quién es esta persona?»
Cuando la identificación se realiza a distancia y sobre personas que no participan activamente en el proceso, las implicaciones son considerablemente mayores. El Reglamento de Inteligencia Artificial de la Unión Europea distingue estas situaciones y considera determinados usos de identificación biométrica remota como sistemas de alto riesgo, además de establecer prohibiciones y excepciones específicas para determinados usos. La regulación reconoce expresamente riesgos relacionados con errores técnicos, resultados sesgados y efectos discriminatorios.
El texto europeo también reconoce que determinadas aplicaciones de identificación biométrica remota en espacios públicos afectan a la privacidad, generar sensación de vigilancia constante y disuadir indirectamente el ejercicio de libertades como la reunión. Aquí toda esta temática deja de ser tecnológica para convertirse en política.
Ver no significa tener derecho a mirar. Que una tecnología permita observar algo no significa que exista legitimidad para hacerlo. Una cámara registra un rostro y un algoritmo lo analiza. Pero de ahí no se deduce automáticamente que una institución tenga derecho a identificar a esa persona, almacenar su representación biométrica, cruzarla con otras bases de datos o utilizarla para tomar decisiones.
La pregunta tecnológica suele ser: «¿Podemos hacerlo?»
La pregunta democrática debe añadir: «¿Debemos hacerlo?» «¿Quién decide?»
La tercera pregunta es fundamental porque el poder tecnológico no se distribuye de manera uniforme. Hoy, como nunca, los avances tecnológicos comprometen seriamente nuestros derechos y libertades.
La ilusión de objetividad
Detrás de las operaciones de registro, cálculo y resultados existen decisiones humanas: qué problema resolver, qué datos utilizar, cuáles categorías construir, errores tolerables, finalidad admitida y cuándo intervenir.
La automatización no elimina esas decisiones, solo las desplaza. Por eso la UNESCO sitúa entre los principios centrales para una inteligencia artificial responsable la privacidad, la transparencia, la explicabilidad, la responsabilidad, la supervisión humana, la justicia y la no discriminación.
La transparencia tampoco consiste en revelar que existe un algoritmo.
Cuando una decisión afecta a derechos y libertades, resulta necesario poder comprender suficientemente cómo intervino el sistema y quién conserva la responsabilidad de la decisión. La UNESCO insiste precisamente en la necesidad de mecanismos de supervisión, trazabilidad, auditoría y posibilidad de cuestionar determinadas decisiones.
Esto resulta especialmente relevante en la visión artificial porque una clasificación automatizada adquiere apariencia de verdad precisamente por haber sido producida por una máquina.
CUERPO, DESEO Y SUBJETIVIDAD: LO QUE UNA IMAGEN SIGNIFICA PARA UN SUJETO
Aquí debemos introducir una precaución importante. Este artículo no necesita ni pretende volver a explicar desde cero la filosofía de la percepción que ya hemos desarrollado en otros contenidos de El Observatorio. El objetivo ahora es utilizar ese conocimiento para responder una pregunta más específica: qué diferencia existe entre procesar una representación visual y estar subjetivamente implicado en ella.
No miramos desde ninguna parte. La fenomenología de Maurice Merleau-Ponty resulta especialmente útil porque entiende la percepción como una relación situada entre cuerpo y mundo. No percibimos primero datos neutros para después añadirles significado. La experiencia perceptiva está ya organizada corporalmente.
Una silla no aparece únicamente como una estructura geométrica, sino como algo en lo que podemos sentarnos. Una puerta no es solamente una superficie rectangular, es algo que podemos atravesar. La percepción humana está vinculada a la acción.
Este planteamiento resulta relevante para la inteligencia artificial porque permite precisar una diferencia sin convertirla en afirmación absoluta sobre el futuro.
Un sistema X podría reconocer una puerta y describirla, luego inferir su función y responder preguntas sobre ella. Pero nuestra relación corporal con una puerta pertenece a otro orden de experiencia. Evidentemente, no necesitamos afirmar que una máquina nunca podrá desarrollar formas de interacción propias con el mundo.
Lo que debemos evitar es suponer que procesar información visual equivale automáticamente a habitar aquello que esa información representa.
El psicoanálisis introduce otra dificultad
La cuestión se vuelve todavía más compleja cuando incorporamos el psicoanálisis. No somos completamente transparentes para nosotros mismos, la imagen nos afecta antes de que sepamos por qué. Por ejemplo, despertar una asociación inesperada, producir rechazo, evocar una memoria o movilizar un deseo.
A veces, dicha imagen resulta inquietante sin que sepamos explicar inmediatamente la causa. Freud permitió pensar precisamente esta dimensión de la vida psíquica en la que las representaciones no quedan agotadas por su significado consciente. Esto no significa que toda imagen posea un significado oculto universal que el psicoanálisis pueda descifrar como un código.
Una aportación fundamental consiste en atender a la singularidad de la relación entre el sujeto y la representación.
La misma imagen produce efectos radicalmente diferentes en personas diferentes. Y el significado subjetivo incluso desbordar algo que la persona sabe conscientemente sobre sí misma.
Lacan y la mirada
La aportación de Lacan introduce una cuestión todavía más precisa. La mirada no coincide simplemente con el acto voluntario de observar. El sujeto no domina completamente el campo visual, en determinadas experiencias, eso que vemos también parece interpelarnos.
La imagen no es únicamente un objeto frente a nosotros: nos ocupa, intenta devolvernos algo, a veces producir una sensación de exposición o hacer aparecer una pregunta sobre nuestro propio lugar como espectadores.
Esta concepción resulta particularmente interesante cuando pensamos en sistemas de inteligencia artificial que analizan imágenes y empiezan a intervenir en lo que aparece ante nosotros. En ese orden de cosas, un algoritmo recomienda una fotografía, otro se ejecuta y ordena resultados, a su vez otro genera alguna descripción. Y finalmente, otro algoritmo decide qué contenido merece nuestra atención. Claro, aparece uno que clasifica nuestro rostro.
Ya no se trata únicamente de si una máquina logra mirar, sino de cómo las máquinas participan en la organización de nuestra propia mirada.
Una máquina puede reconocer tristeza sin "estar triste"
Un sistema identifica lágrimas y asociarlas con tristeza. Luego producir un texto sobre el duelo y generar una imagen conmovedora. Incluso llega a responder de manera aparentemente empática ante una persona que habla de una pérdida.
Por supuesto, nada de esto demuestra que el sistema experimente tristeza. Esta distinción nos conduce al problema filosófico de la conciencia.
No podemos observar directamente la experiencia subjetiva de otra persona. Inferimos su existencia a partir del cuerpo, conducta, lenguaje y comprensión de lo que significa ser un sujeto humano.
Con una máquina, la cuestión es todavía más difícil. Dado que no tenemos evidencia suficiente para afirmar que los sistemas actuales posean experiencia consciente comparable a la humana.
Pero tampoco resulta intelectualmente serio afirmar que conocemos con absoluta certeza todas las posibilidades futuras de la conciencia artificial. La posición más rigurosa consiste en distinguir entre capacidades observables y atribuciones metafísicas.
Nos es posible medir lo que un sistema hace. Debemos ser mucho más prudentes cuando afirmamos qué experimenta.
CREAR, INTERPRETAR Y DECIDIR: LOS LÍMITES DE LA MIRADA ARTIFICIAL
¿Es posible que una IA cree una imagen?
Sí, en el sentido funcional. Los sistemas generativos producen imágenes nuevas a partir de instrucciones lingüísticas, imágenes de referencia o combinaciones de diferentes condiciones.
Pero producir algo nuevo no resuelve por sí mismo qué entendemos por creatividad, ésta suele incluir originalidad, pero también selección, criterio, intención, contexto, riesgo y capacidad para decidir qué merece ser conservado. Por eso generar no equivale necesariamente a crear en el sentido artístico fuerte.
La investigación contemporánea continúa debatiendo esta cuestión. Un artículo publicado en The British Journal of Aesthetics en 2026 examina la creatividad artística de la IA y plantea, entre otras cuestiones, cómo debemos evaluar propiedades como el «flair» creativo cuando la producción procede de sistemas artificiales.
Esto resulta especialmente interesante porque desplaza la pregunta. Ya no basta con preguntar: «¿La IAes capaz de producir una imagen original?» La pregunta más fértil es: «¿Qué tipo de agencia creativa existe en el proceso que produce esa imagen?»
El autor no desaparece necesariamente
Cuando una persona cualquiera utiliza inteligencia artificial para producir una imagen, la autoría no tiene por qué desaparecer automáticamente, parece desplazarse. Quien utiliza el sistema posiblemente intervenga en la concepción de la obra, la selección, la composición, la edición, la dirección estética y la decisión final.
En algunos procesos, la herramienta funciona casi como un instrumento. En otros, se convierte en un espacio de exploración donde el creador genera múltiples posibilidades y decide cuáles tienen valor. La diferencia entre ambos procesos es importante.
Si esa misma persona acepta sistemáticamente el primer resultado, la producción está muy delegada. Si utiliza la generación para explorar, comparar, transformar y decidir, la herramienta amplia su capacidad creativa.
La cuestión central no es entonces si «la IA hizo la imagen». Es más bien esta: ¿Qué intervención humana produjo el resultado y qué decisiones construyeron su significado?
La abundancia produce homogeneidad
Existe aquí una paradoja cultural. La inteligencia artificial permite crear más imágenes que nunca. Pero generar más no significa necesariamente producir mayor diversidad estética.
Un estudio publicado en PNAS Nexus, que analizó más de 53.000 artistas, encontró asociaciones entre la utilización de herramientas generativas de texto a imagen y aumentos en productividad y determinados indicadores de valoración, pero también observó una disminución de la novedad media de los resultados con el tiempo.
La conclusión no debe ser que la IA destruye la creatividad. Es mucho más interesante. La IA amplia el espacio de posibilidades individuales mientras favorece, simultáneamente, determinadas convenciones compartidas.
Podemos producir más y terminar viendo más cosas parecidas. Por eso el valor de la creación se desplaza desde la capacidad de generar hacia la capacidad de seleccionar, cuestionar y dotar de sentido.
La originalidad quizá esté en la pregunta
Cuando generar una imagen técnicamente sofisticada se vuelve sencillo, la dificultad cambia de lugar. Lo extraordinario deja de ser producir y pasa a ser tener algo que decir.
La diferencia estará cada vez menos en conseguir una imagen visualmente espectacular y más en saber por qué esa imagen debe existir, por ejemplo:
- Qué problema plantea.
- Qué contradicción revela.
- Qué relación establece.
- Qué incomodidad produce.
- Qué pregunta deja abierta.
Esto devuelve al arte una dimensión especialmente importante: alterar nuestras formas habituales de mirar. La imagen es valiosa precisamente si no se deja reducir rápidamente a una explicación.
Los sistemas de clasificación necesitan producir representaciones operativas. La experiencia humana, en cambio, contiene ambigüedades. Una persona ríe por nervios, llora de alegría, utiliza símbolos de manera irónica y construir una obra deliberadamente ambigua.
Esto introduce una tensión interesante. La inteligencia artificial necesita reducir la indeterminación para responder. El sujeto humano también clasifica, pero no se agota en sus categorías. Por eso una sociedad libre debe conservar espacios donde las personas no tengan que ser completamente legibles.
¿Y QUÉ OCURRE CUANDO LA MÁQUINA NO SOLO INTERPRETA, SINO QUE DECIDE?
Aquí convergen todos los problemas anteriores. La IA interpreta la imagen, pero si ésta alimenta una decisión institucional, el asunto cambia. Es decir, cosas como un error al describir un paisaje tal vez sea irrelevante, pero el mismo error al interpretar la imagen médica es grave.
En el mismo sentido, una identificación facial incorrecta afecta a una persona, la clasificación sesgada perjudica a un grupo, la inferencia errónea sobre una emoción influye en una evaluación, etc.
Por eso la fiabilidad no es una propiedad abstracta del modelo, depende del contexto de utilización. La investigación sobre VQA insiste precisamente en problemas de robustez, calibración y razonamiento. Algunos trabajos recientes muestran que los modelos renden bien en tareas estándar y, sin embargo, ser sensibles a variaciones relativamente pequeñas en instrucciones o configuraciones de evaluación.
Esto obliga a abandonar una idea demasiado sencilla: «Si el modelo funciona bien la mayoría de las veces, podemos confiar en él». En aplicaciones de alto impacto, la pregunta debe ser otra: «¿Qué ocurre cuando falla?»
La cuestión política: ¿Quién decide qué vemos?
Durante siglos, nuestra experiencia visual estuvo mediada por instituciones humanas: iglesias, escuelas, museos, periódicos, editoriales, televisiones, productoras cinematográficas y plataformas.
La inteligencia artificial introduce una nueva capa, crea imágenes a la vez que logra:
- Clasificarlas.
- Recomendarlas.
- Describirlas.
- Resumirlas.
- Relacionarlas.
- Priorizarlas.
- Filtrarlas.
- Personalizarlas.
Eso significa que la IA interviene en nuestra experiencia visual incluso cuando no sustituye directamente nuestros ojos. La máquina modifica lo que llega hasta nosotros, esto convierte la visión artificial en una cuestión política.
La pregunta no es «¿Puede la IA ver?» Pasa a ser:
«¿Quién decide qué vemos, qué queda fuera y bajo qué criterios?»
La inteligencia artificial no es el enemigo: el problema es la delegación acrítica
Sería demasiado sencillo concluir que debemos rechazar la inteligencia artificial. Los beneficios de la visión artificial son reales, por ejemplo. El debate consiste en construir una relación crítica con la tecnología. Necesitamos sistemas más precisos, pero también saber cuándo no son fiables.
Demandamos modelos capaces de razonar sobre imágenes, pero también mecanismos para comprobar que ese razonamiento está realmente fundamentado en la evidencia visual. Buscamos herramientas creativas, pero también una cultura capaz de distinguir producción de creatividad. Automatización, pero sin convertirla en una excusa para abandonar la responsabilidad humana.
La UNESCO plantea precisamente que los sistemas de IA deben permanecer sometidos a responsabilidad, supervisión, transparencia, evaluación y mecanismos de rendición de cuentas, especialmente cuando afectan a derechos y libertades.
Entonces, ¿una inteligencia artificial entendería una imagen?
Después de todo el recorrido, podemos ofrecer una respuesta más precisa que un simple sí o no.
Si «entender» significa realizar tareas visuales complejas, la respuesta es sí.
Los modelos actuales llegan a reconocer objetos, relacionar imágenes y lenguaje, responder preguntas visuales, localizar elementos, utilizar contexto, realizar determinadas formas de razonamiento multimodal y generar descripciones cada vez más sofisticadas.
Si «entender» significa producir una representación funcional del contenido visual, también existen buenas razones para hablar de formas de comprensión artificial.
La investigación contemporánea ya no se limita a clasificar objetos. Estudia razonamiento multimodal, VQA, visual grounding, recuperación entre modalidades y comprensión de imágenes complejas.
Pero si «comprender» implica necesariamente experiencia subjetiva, conciencia o una relación vivida con lo que se representa, la cuestión permanece abierta. No tenemos evidencia suficiente para afirmar que los sistemas actuales experimenten las imágenes de una manera comparable a la experiencia humana.
Y existe una tercera dimensión que no depende de resolver el problema de la conciencia: el poder.
Tal vez una IA no experimenta la imagen y, aun así, sus interpretaciones podrían tener consecuencias reales (clasifica, identifica, recomienda, excluye, etc.). Por eso el debate sobre la comprensión visual artificial no es solamente una cuestión metafísica. Es también una cuestión de responsabilidad, poder y libertad.
CONCLUSIÓN. APRENDER A MIRAR DESPUÉS DE LAS MÁQUINAS
La inteligencia artificial está modificando profundamente nuestra relación con las imágenes. Primero aprendimos a registrarlas y después a reproducirlas. Más tarde las convertimos en información digital.
Ahora estamos construyendo sistemas capaces de analizarlas, relacionarlas con lenguaje, responder preguntas sobre ellas y generar nuevas representaciones. El salto tecnológico es extraordinario.
Pero quizá la consecuencia más interesante no tenga que ver exclusivamente con las máquinas. La inteligencia artificial nos obliga a formular de nuevo una pregunta que creíamos conocer:
¿Qué significa ver?
Sabemos ya que reconocer una imagen no equivale necesariamente a comprenderla. También sabemos que responder correctamente a una pregunta visual no garantiza que el sistema haya utilizado de manera adecuada la información visual. La investigación contemporánea sobre VLM ha demostrado problemas de razonamiento, robustez, grounding, alucinación y dependencia excesiva del lenguaje.
Pero tampoco debemos idealizar la percepción humana. Nosotros también proyectamos, nos equivocamos, construimos prejuicios, recordamos selectivamente e interpretamos desde nuestra historia.
Claramente, la subjetividad no es una garantía automática de verdad. La diferencia fundamental no consiste, por tanto, en imaginar una máquina perfectamente objetiva frente a un ser humano inevitablemente subjetivo.
La diferencia consiste en comprender qué tipo de relación mantiene cada uno con eso que se interpreta y qué consecuencias tiene esa interpretación. Una máquina es capaz de construir una representación extraordinariamente sofisticada del mundo, la pregunta es si esa representación constituye un mundo vivido. Y, obviamente, quizá nunca necesitemos resolver completamente esa cuestión para establecer límites políticos y éticos.
Que una IA no tenga conciencia, significa que determinadas decisiones no deben delegarse en ella. Aunque una máquina interprete correctamente una imagen el 99 % de las veces, debemos considerar inaceptable ese margen de error en determinados contextos.
Incluso, aunque el sistema sea extraordinariamente eficaz, necesitamos preguntarnos quién controla sus datos, categorías y resultados. Aquí aparece la dimensión verdaderamente emancipadora de la discusión.
No se trata de impedir que las máquinas miren. Es impedir que sus interpretaciones se conviertan en una autoridad incuestionable. Necesitamos tecnologías capaces de ampliar capacidades sin reducir nuestra autonomía. Modelos que interpreten imágenes, pero cuyos resultados sean verificables y discutibles. Finalmente, herramientas creativas que amplíen la imaginación sin convertir la producción automática en sustituto del criterio.
Y demandamos conservar algo especialmente importante: el derecho a interpretar de otra manera. Porque una sociedad que aspira a tener libertades no es aquella en la que todos ven lo mismo, es donde todavía existe la posibilidad de disputar lo que vemos, cómo lo nombramos y qué significado le atribuimos.
Debemos mantener abierta una última pregunta: ¿Qué queremos que nuestras máquinas hagan con lo que ven y qué buscamos seguir decidiendo nosotros?
Quizá el límite más importante de la inteligencia artificial no esté en lo que todavía no sabe reconocer, sino en lo que una sociedad libre decide que ninguna máquina debe decidir por nosotros.
FAQ: Preguntas frecuentes sobre inteligencia artificial y comprensión de imágenes
¿Qué es la visión artificial?
La visión artificial es el área de la inteligencia artificial y la informática que permite a los sistemas procesar imágenes y vídeos para detectar, reconocer, clasificar, localizar o relacionar información visual.
¿Qué diferencia existe entre visión artificial e inteligencia artificial multimodal?
La visión artificial está centrada en el procesamiento de información visual. Los sistemas multimodales integran diferentes modalidades, como imágenes y lenguaje, y pueden utilizarlas conjuntamente para responder preguntas, razonar, generar contenido o recuperar información.
¿Qué es Visual Question Answering (VQA)?
VQA, o Visual Question Answering, es una tarea en la que un sistema recibe una imagen y una pregunta formulada mediante lenguaje natural y debe producir una respuesta utilizando información visual y, en determinados casos, conocimiento adicional. Es uno de los campos fundamentales para evaluar la comprensión multimodal.
¿Qué es el visual grounding?
El visual grounding consiste, de forma general, en relacionar una expresión lingüística con una región o elemento concreto de una imagen. Es importante porque permite comprobar si una afirmación del modelo está realmente vinculada con la evidencia visual.
¿Qué son las alucinaciones visuales de una IA?
Son respuestas en las que un modelo multimodal afirma o describe elementos que no están presentes en la imagen o extrae conclusiones que la evidencia visual no permite sostener. Constituyen uno de los principales problemas de fiabilidad de los sistemas de visión-lenguaje.
¿Una IA reconoce una imagen sin comprenderla?
Sí. Reconocer una categoría, identificar objetos o producir una descripción son capacidades funcionales que no demuestran por sí mismas comprensión semántica o experiencia subjetiva.
¿Una IA es capaz de comprender una obra de arte?
Tiene capacidad para analizar elementos visuales, estilos, referencias históricas, contexto e iconografía y generar interpretaciones sofisticadas. La discusión de si eso equivale a experimentar el significado estético de la obra sigue siendo filosóficamente abierta.
¿Una inteligencia artificial tiene prejuicios al analizar imágenes?
Sí. Los modelos reproducen sesgos existentes en sus datos de entrenamiento, en las categorías utilizadas o en el diseño del sistema. La investigación sobre reconocimiento facial ha documentado diferencias de rendimiento entre grupos.
¿Una IA reconoce emociones mediante una fotografía?
Tiene capacidad para clasificar expresiones o producir inferencias sobre emociones, pero no debe confundirse una expresión facial con una prueba transparente de un estado emocional interno. La relación entre expresión y emoción es mucho más compleja y dependiente del contexto.
¿Qué diferencia existe entre reconocimiento facial y verificación facial?
La verificación intenta comprobar si una persona es quien afirma ser. La identificación intenta determinar quién es una persona comparando sus datos biométricos con una base de referencia. La segunda plantea mayores riesgos cuando se realiza sin participación activa de la persona.
¿Qué problemas plantea la IA para la privacidad?
Los sistemas visuales convierten fotografías y vídeos en datos analizables, relacionarlos con otras fuentes y construir perfiles. Esto aumenta las posibilidades de vigilancia y plantea cuestiones relacionadas con protección de datos, autonomía y derechos fundamentales.
¿La inteligencia artificial está facultada para crear arte?
Es capaz de generar imágenes nuevas y participar en procesos creativos. Sin embargo, determinar si esto constituye creatividad artística plena exige discutir conceptos como originalidad, intención, agencia, criterio y autoría. La investigación filosófica contemporánea continúa estudiando estas cuestiones.
¿La IA llegará a tener conciencia?
No existe actualmente evidencia suficiente para afirmar que los sistemas contemporáneos posean una experiencia consciente comparable a la humana. La posibilidad de conciencia artificial pertenece a un debate filosófico y científico abierto.
¿Por qué es importante estudiar filosóficamente la visión artificial?
Porque los sistemas visuales no solo procesan imágenes. También participan cada vez más en decisiones, clasificaciones y formas de mediación cultural. Estudiarlos exige abordar conceptos como percepción, significado, subjetividad, poder, responsabilidad y libertad.
Referencias bibliográficas
Barrett, L. F., Adolphs, R., Marsella, S., Martinez, A. M., & Pollak, S. D. (2019). Emotional expressions reconsidered: Challenges to inferring emotion from human facial movements. Psychological Science in the Public Interest, 20(1), 1–68. https://doi.org/10.1177/1529100619832930
Bai, Z., Wang, P., Xiao, T., He, T., Han, Z., & Shou, M. Z. (2024). Hallucination of multimodal large language models: A survey. arXiv. https://arxiv.org/abs/2404.18930
Borisova, E., Rauscher, N., & Rehm, G. (2025). SciVQA 2025: Overview of the first scientific visual question answering shared task. Proceedings of the Fifth Workshop on Scholarly Document Processing, 182–210. Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.sdp-1.18
Buolamwini, J., & Gebru, T. (2018). Gender Shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of Machine Learning Research, 81, 1–15.
Caffagni, D., Cocchi, F., Barsellotti, L., Moratelli, N., Sarto, S., Baraldi, L., Cornia, M., & Cucchiara, R. (2024). The revolution of multimodal large language models: A survey. Findings of the Association for Computational Linguistics: ACL 2024.
Guan, T., Liu, F., Wu, X., Xian, R., Li, Z., Liu, X., Wang, X., Chen, L., Huang, F., Yacoob, Y., Manocha, D., & Zhou, T. (2024). HallusionBench: An advanced diagnostic suite for entangled language hallucination and visual illusion in large vision-language models. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 14375–14385.
Helliwell, A. C. (2026). Can AI create with flair? Artistic creativity and artificial intelligence. The British Journal of Aesthetics, 66(3), 595–611. https://doi.org/10.1093/aesthj/ayaf057
Merleau-Ponty, M. (2012). Phenomenology of perception (D. A. Landes, Trans.). Routledge. (Original work published 1945).
Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. Proceedings of the 38th International Conference on Machine Learning, 8748–8763.
Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424. https://doi.org/10.1017/S0140525X00005756
Sim, M. Y., Zhang, W. E., Dai, X., & Fang, B. (2025). Can VLMs actually see and read? A survey on modality collapse in vision-language models. Findings of the Association for Computational Linguistics: ACL 2025, 24452–24470. https://doi.org/10.18653/v1/2025.findings-acl.1256
Sterz, H., Pfeiffer, J., & Vulić, I. (2025). DARE: Diverse visual question answering with robustness evaluation. Transactions of the Association for Computational Linguistics, 13, 1121–1145. https://doi.org/10.1162/tacl.a.29
UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO.
Unión Europea. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). EUR-Lex.
Sigue explorando cómo las imágenes construyen nuestras ideas.
En El Observatorio seguimos investigando la relación entre percepción, filosofía, arte, psicología, tecnología y cultura. Porque comprender las imágenes también significa comprender las formas en que aprendemos a mirar el mundo.
Llevar una idea también es una forma de expresarla.
Descubre las colecciones de Momento Presente inspiradas en filosofía, arte, símbolos, cultura e ideas que siguen abiertas a la conversación.
