En corto
- Google presentó Gemini en diciembre de 2023 como un modelo diseñado desde el inicio para ser multimodal.
- Los fabricantes documentan límites: imágenes rotadas o de baja calidad, textos pequeños y conteos aproximados.
- Para las facturas electrónicas del SRI no hace falta leer imágenes: el XML ya trae los datos estructurados.
¿Qué significa «multimodal»?
Una modalidad es un tipo de información: texto, imagen, audio, video o código. Los primeros asistentes de inteligencia artificial solo trabajaban con texto; los modelos multimodales entienden varias modalidades y las combinan. Cuando Google presentó Gemini, el 6 de diciembre de 2023, lo describió como un modelo diseñado para ser multimodal desde el inicio, capaz de entender y combinar texto, código, audio, imagen y video.
Hoy esta capacidad es común entre los principales fabricantes. Claude, de Anthropic, acepta imágenes en formato JPEG, PNG, GIF y WebP; los modelos de OpenAI con visión pueden describir imágenes, leer el texto visible y responder preguntas sobre ellas, y Gemini puede describir, resumir, transcribir y traducir audio, e identificar a distintos hablantes, con hasta 9,5 horas de audio por solicitud.
¿Para qué sirve en una empresa?
| Entrada | Qué hace la IA | Ejemplo |
|---|---|---|
| Nota de voz | Transcribe y extrae la intención | Un pedido dictado por WhatsApp |
| Foto de un documento | Lee los datos y los estructura | Guía de remisión firmada al entregar |
| Imagen de un producto o percha | Describe y cuenta de forma aproximada | Revisión de exhibición en un punto de venta |
| Grabación de una llamada | Resume y detecta compromisos | Promesa de pago en una llamada de cobranza |
| Documento escaneado del exterior | Extrae campos para registrarlos | Factura de un proveedor extranjero |
Un ejemplo en una empresa ecuatoriana
Una distribuidora de bebidas de Guayaquil recibe cada día pedidos de tenderos por notas de voz de WhatsApp. Un agente de inteligencia artificial multimodal transcribe cada audio, identifica productos y cantidades, consulta el inventario en el ERP y responde por escrito con la confirmación y la fecha de entrega. Cuando no entiende un producto, pregunta o pasa el caso a una persona. A la entrega, el chofer envía la foto de la guía de remisión firmada y el sistema registra la entrega sin digitación.
Límites y errores comunes
- Confiar en imágenes de mala calidad. Anthropic advierte que su modelo puede equivocarse con imágenes de baja calidad, rotadas o de menos de 200 píxeles, y que sus conteos son aproximados; OpenAI señala límites similares con texto rotado y alfabetos no latinos.
- Saltarse la verificación. En procesos con impacto económico, lo leído en una imagen debe validarse contra otra fuente o con revisión humana.
- Olvidar los datos personales. Fotos y audios suelen contener nombres, rostros y voces. Si el sistema usa el rostro o la voz para identificar a alguien, se trata de datos biométricos, que la norma de la Superintendencia sobre biométricos regula con reglas propias.
- Usarla donde no hace falta. Las facturas electrónicas del SRI ya vienen en XML: leerlas como imagen es más caro y menos preciso que leer el archivo, como explica la guía para extraer datos de facturas con inteligencia artificial.
Relación con otros términos
La IA multimodal es una evolución del modelo de lenguaje (LLM) y amplía lo que antes hacía el OCR, que solo convertía imágenes en texto. En atención al cliente, su uso más frecuente es entender audios e imágenes dentro de un agente de IA para WhatsApp.
Preguntas frecuentes
¿Qué es la inteligencia artificial multimodal?
Es la que puede procesar y relacionar distintos tipos de datos en una misma tarea, por ejemplo una imagen y una pregunta escrita sobre ella, o un audio y un resumen en texto. Los modelos de lenguaje actuales de los principales fabricantes ya aceptan varias de estas entradas.
¿Qué puede hacer una IA multimodal en una empresa?
Puede transcribir y resumir notas de voz, leer fotos de documentos físicos o de productos, describir imágenes y responder preguntas sobre ellas, o analizar audios de llamadas. Rinde más cuando está conectada a los sistemas de la empresa, para que lo que entiende quede registrado donde corresponde.
¿Es confiable la IA multimodal para leer documentos?
Es útil, pero no infalible. Los propios fabricantes advierten que puede equivocarse con imágenes de baja calidad, rotadas o muy pequeñas, y que sus conteos son aproximados. En procesos con impacto económico conviene validar contra otra fuente o con revisión humana.
Fuentes
- Google · Introducing Gemini: our largest and most capable IA model (2023-12-06)
- Anthropic · Claude Platform Docs · Vision (2026-11-11)
- OpenAI · Images and vision (2026-11-11)
- Google AI Studio · Audio understanding (2026-11-11)
- Superintendencia de Protección de Datos Personales · Resolución SPDP-SPD-2026-0039-R: Norma general para el tratamiento de datos biométricos (2026-09-09)
Revisado el 11 de noviembre de 2026 contra las fuentes citadas. Los precios y normas de terceros pueden cambiar: confirma en la fuente.