Columnas · Artículos por entregas

En la era en que la IA crea imágenes, video y voz, ¿qué es la IA multimodal?

2026-04-05

Imagen de portada

¿Qué es la IA multimodal? — La era en que se crean imágenes, voz y video más allá del texto

La IA multimodal (Multimodal) es la inteligencia artificial capaz de comprender y generar al mismo tiempo datos de distintos tipos: texto, imágenes, voz y video. Antes solo era posible pasar de «texto a texto»; hoy, a partir de un simple texto se pueden crear imágenes, generar voz e incluso producir video.


En esta guía practicará, paso a paso, 4 herramientas de IA multimodal que los ejecutivos de ventas B2B y los profesionales en general pueden aplicar en su trabajo desde hoy mismo.


Antes de empezar — herramientas y cuentas necesarias

Si prepara estas herramientas de antemano, la práctica transcurrirá sin contratiempos.

Áreas de aplicación

Herramientas

Costo

Registrarse

Generación de imágenes

ChatGPT (GPT-4o, DALL·E 3)

Gratis / Plus US$ 20

openai.com

Generar voz

ElevenLabs

Gratis: 10,000 caracteres al mes

elevenlabs.io

Generación de video

Runway Gen-3

125 segundos de crédito gratis

runwayml.com

Multimodal integrado

Google Gemini

Gratis

gemini.google.com

Cómo crear una cuenta (común a todas)

  1. Ingrese a cada sitio.

  2. Haga clic en el botón "Sign Up" o "Get Started" en la esquina superior derecha.

  3. Regístrese con su cuenta de Google o con su correo electrónico.

  4. Al completar la verificación del correo electrónico, podrá usarlo de inmediato.

💡 Consejo práctico: Si se registra con su correo corporativo, le será más fácil administrar la cuenta cuando después la comparta con su equipo. Con el plan gratuito basta para completar todas las prácticas de esta guía.


Práctica 1 — Crear imágenes para propuestas con IA (ChatGPT + DALL·E 3)

Escenario de trabajo

Un vendedor B2B necesita ilustraciones a la medida para una propuesta que enviará a un cliente. Encargarlas a un diseñador toma 3 días; con IA bastan 30 segundos.

Comparación Antes / Después

Concepto

Before (método tradicional)

After (IA multimodal)

Tiempo requerido

De 2 a 3 días tras encargarlo a un diseñador

De 30 segundos a 2 minutos

Costo

KRW 50,000 (≈ US$37) a KRW 150,000 (≈ US$110) por proyecto

US$ 20 al mes (ilimitado)

Número de correcciones

2 o 3 veces (con costo adicional)

Modificaciones ilimitadas al instante

Nivel de personalización

Posibles errores de comunicación

Instrucciones precisas mediante prompts

Cómo se usa

Paso 1: Ingrese a ChatGPT

  • Desde el navegador, ingrese a chat.openai.com.

  • Después de iniciar sesión aparece la pantalla principal del chat.

Paso 2: Verifique el modelo

  • El nombre del modelo aparece en la parte superior central de la pantalla.

  • Verifique que esté seleccionado **«GPT-4o»**. (Puede cambiarlo haciendo clic)

Paso 3: Ingrese el prompt para generar la imagen

  • Copie y pegue el siguiente prompt en el cuadro de mensajes de la parte inferior.

Ejemplo de prompt 1 — Imagen de portada de la propuesta:

«Crea una imagen de portada para una propuesta que presenta una solución B2B SaaS. Que sea una ilustración empresarial limpia, en tonos azules, con una composición donde se vean varios edificios de empresas conectados a un servidor en la nube. No incluyas texto y hazla en formato 16:9.»

Paso 4: Revisión y ajustes del resultado

  • La imagen se genera en unos 15 a 30 segundos.

  • Si el resultado no le convence, agregue una solicitud de ajuste concreta.

  • Ejemplos: «Cambia el color de fondo a un azul marino más intenso», «En lugar de edificios, muestra a personas colaborando»

Paso 5: Descarga

  • Haga clic en la imagen generada.

  • Haga clic en el **ícono de descarga (↓)** de la esquina superior derecha.

  • Se guarda como archivo PNG.

Ejemplo de prompt 2: infografía de visualización de datos:

«Crea una infografía que muestre la comparación antes y después de implementar la solución de nuestra empresa. A la izquierda: “Antes: trabajo manual, 30 % de errores, 8 horas de procesamiento”; a la derecha: “Después: automatización, 2 % de errores, 30 minutos de procesamiento”. Hazla con un estilo empresarial limpio, usando flechas e íconos.»

💡 Consejo práctico: al generar imágenes, indique expresamente **"no incluyas texto"** para evitar que las letras salgan deformadas. Es mucho más limpio añadir el texto necesario directamente en PowerPoint.


Práctica 2 — Crear la voz de narración de presentaciones con IA (ElevenLabs)

Escenario de trabajo

Quiere incluir una narración profesional en una propuesta en video para enviar a un cliente remoto. Contratar a un locutor implica costo y tiempo, pero con una voz de IA queda lista en 5 minutos.

Comparación Antes / Después

Concepto

Before

After

Contratación de locutor + grabación

1 a 2 semanas, KRW 300,000 (≈ US$225) a 1,000,000

5 minutos, de gratis a US$ 5 al mes

Editar

Requiere regrabar

Basta con editar el texto y el cambio se aplica al instante

Multilingüe

Contratación aparte de locutores por idioma

Cambio instantáneo entre 29 idiomas

Cómo se usa

Paso 1: Ingrese a ElevenLabs

  • Ingrese a elevenlabs.io desde el navegador.

  • Después de iniciar sesión aparecerá el panel de control.

Paso 2: Ingrese al menú de síntesis de voz

  • En la barra lateral izquierda, haga clic en **«Text to Speech»**.

  • O haga clic en la pestaña «Speech» del menú superior.

Paso 3: Elija la voz

  • Haga clic en el menú desplegable "Voice" en la parte superior de la pantalla.

  • Voces recomendadas: para uso empresarial, "Daniel" (masculina, tono sereno) o "Rachel" (femenina, tono profesional) son adecuadas.

  • Para elegir una voz compatible con **«coreano»**, escriba "Korean" en el cuadro de búsqueda.

Paso 4: Ingrese el texto de la narración

  • Pegue el guion de la narración en el gran cuadro de texto central.

Ejemplo de prompt 3 — Guion de narración de la propuesta:

«Hola, somos ABC Solutions. El sistema de flujo de trabajo inteligente que les presentaremos hoy transforma los procesos de su empresa. En las empresas que lo implementaron, el tiempo promedio de procesamiento se redujo un 67 % y hubo casos que ahorraron cerca de KRW 200,000,000 (≈ US$149,700) al año en costos de personal. A continuación, en 3 minutos, les mostraremos las funciones principales.»

Paso 5: Configuración detallada

  • Control deslizante Stability: hacia la derecha, el tono es más estable y uniforme; hacia la izquierda, la expresión emocional es más rica. Para uso empresarial se recomienda **70~80%**.

  • Clarity + Similarity Enhancement: mantenga el valor predeterminado (75 %).

Paso 6: Genere y descargue

  • Haga clic en el botón "Generate" de la parte inferior.

  • La voz se genera después de 10 a 20 segundos.

  • Escuche una vista previa con el botón de reproducción (▶) y, si el resultado le convence, haga clic en el **ícono de descarga (↓)** para guardarlo como MP3.

💡 Consejo práctico: Si coloca comas (,) o puntos (.) donde corresponde entre las oraciones, la voz respira con naturalidad. Si pone «...» (puntos suspensivos) antes de la palabra que quiere resaltar, logrará una breve pausa. Ejemplo: «Ahorramos cerca de... KRW 200,000,000 (≈ US$149,700) al año en costos de personal.»


Práctica, paso 3: cree un video promocional corto con IA (Runway Gen-3)

Escenario de trabajo

Necesita un clip de gráficos en movimiento de 5 segundos para adjuntar al correo de anuncio de un nuevo producto. Aunque no sepa editar video, puede crearlo solo con texto.

Comparación Antes / Después

Concepto

Before

After

Producción de video externa

1 a 4 semanas, KRW 1,000,000 (≈ US$750) a KRW 5,000,000 (≈ US$3,740)

2 minutos, con créditos gratuitos

Solicitar cambios

Ciclo de retroalimentación de 3 a 5 veces

Regeneración inmediata tras editar el prompt

Producción de clips sencillos

Requiere aprender After Effects

Resultado completo solo con texto

Cómo se usa

Paso 1: ingresar a Runway

  • Ingrese a runwayml.com desde el navegador.

  • Al iniciar sesión aparecerá el **"Dashboard"**.

Paso 2: Cree un proyecto nuevo

  • En el menú de la izquierda, haga clic en «Generate Videos» o, en la pantalla principal, en **«Text/Image to Video»**.

  • Verifique que esté seleccionado **«Gen-3 Alpha Turbo»** (el modelo más reciente).

Paso 3: Generación de video a partir de texto

  • Escriba la descripción del video en el campo "Text Prompt".

Ejemplo de prompt 4 — clip promocional del producto:

"A sleek modern office environment. A holographic dashboard floats above a desk, showing real-time analytics and graphs. Blue and white color scheme. Camera slowly zooms in. Professional, futuristic atmosphere. Cinematic lighting."

Nota: actualmente Runway ofrece los mejores resultados con prompts en inglés.


Paso 4: Ajuste la configuración

  • Duration: elija 5 o 10 segundos. (Se recomiendan 5 segundos para ahorrar créditos gratuitos.)

  • Resolution: mantenga los 720p predeterminados.

Paso 5: Generar

  • Haga clic en el botón «Generate».

  • El video se genera en aproximadamente 1 a 3 minutos.

  • Revise la vista previa y haga clic en el botón «Download» para guardarlo como MP4.

Paso 6: Generación de video a partir de una imagen (avanzado)

  • También puede usar las imágenes creadas en el paso 1 de la práctica.

  • Haga clic en la pestaña "Image to Video".

  • Suba la imagen creada con DALL·E 3 mediante arrastrar y soltar.

  • Describa en el prompt el movimiento que desea: "Slow camera pan to the right, subtle particle effects floating"

  • Al hacer clic en **«Generate»**, la imagen fija se convierte en un video con movimiento natural.

💡 Consejo práctico: si le resulta difícil escribir el prompt en inglés, pídale primero a ChatGPT: *«Convierte la siguiente escena en un prompt en inglés para generar video con Runway AI: una oficina moderna donde los datos aparecen como hologramas»*. Recibirá un prompt en inglés optimizado.


Práctica, paso 4 — Análisis multimodal con Google Gemini (imagen → texto)

Escenario de trabajo

Quiere mostrarle a la IA fotos de folletos de productos de la competencia, de stands tomadas en ferias y de sitios enviadas por clientes, y recibir un informe de análisis al instante.

Comparación Antes / Después

Concepto

Before

After

Análisis del folleto de la competencia

Lectura y organización manual: 2 horas

Cargar 1 foto → 3 minutos

Elaboración de informes con fotos de campo

1 hora escribiendo a mano mientras mira la foto

La IA analiza las fotos y genera el informe automáticamente en 5 minutos

Cómo se usa

Paso 1: ingresar a Gemini

  • Abra gemini.google.com en su navegador.

  • Inicie sesión con su cuenta de Google.

Paso 2: subir la imagen

  • Haga clic en el ícono «+» a la izquierda del campo de chat o en el **ícono de imagen (🖼️)**.

  • Seleccione la imagen que desea analizar (foto de un folleto de la competencia, foto de una tarjeta de presentación, foto del sitio, etc.).

Paso 3: Ingrese el prompt de análisis

  • Con la imagen adjunta, ingrese un prompt de texto.

Ejemplo de prompt 5: análisis de folletos de la competencia:

«Esta imagen es el folleto de un producto de la competencia. Analízala con los siguientes puntos:

  1. Nombre del producto principal y sus funciones clave

  2. Estimación del público objetivo

  3. Información de precios (si la hay)

  4. 3 puntos con los que podemos diferenciarnos

  5. Análisis de la estrategia de marketing de este folleto

    Preséntalo en formato de tabla.»

Ejemplo de prompt 6 — informe con fotos de una feria:

"Esta foto es del stand de una feria de TI que visité hoy. A partir de esta foto, redacta un informe de viaje para mi jefe. Analiza los productos que se ven en el stand, las palabras clave tecnológicas y las tendencias del mercado, y extrae las conclusiones para nuestro negocio."

Paso 4: Uso de los resultados

  • Gemini analiza el texto, la distribución y hasta los elementos de diseño de la imagen, y redacta un informe.

  • Puede copiar el resultado y pegarlo directamente en correos, informes o mensajes de Slack.

💡 Consejo práctico: tome una foto de una tarjeta de presentación, súbala y escriba *«Organiza los datos de esta tarjeta en formato CSV para cargarlos en el CRM»*. Así podrá digitalizar rápidamente decenas de tarjetas recibidas en una feria.


Práctica en 5 pasos — flujo de trabajo integrado con 4 herramientas

El verdadero poder aparece cuando conecta las herramientas que ha aprendido hasta ahora en un solo flujo de trabajo.

Escenario: elaboración de una presentación de propuesta para un nuevo cliente

Paso

Tarea

Herramientas

Tiempo requerido

1

Redacción y estructuración del contenido de la propuesta

ChatGPT (texto)

15 minutos

2

Generación de 5 imágenes personalizadas, una por diapositiva

ChatGPT + DALL·E 3

10 min

3

Captura del sitio web del cliente → análisis con IA → mensaje a la medida

Gemini (imagen→texto)

5 minutos

4

Producción de clips animados de 30 segundos para las páginas clave

Runway Gen-3

5 minutos

5

Generación de la voz de narración de toda la presentación

ElevenLabs

10 min

Total



45 minutos

¿Y con el método tradicional?

  • Encargo de imágenes a un diseñador: 3 días

  • Clip de video externo: 1 semana

  • Grabación con locutor: 3 días

  • Total: de 1 a 2 semanas, con un costo de KRW 2,000,000 (≈ US$1,500) a KRW 5,000,000 (≈ US$3,740)

Ejecución paso a paso

Paso 1: Arme el esquema de la propuesta en ChatGPT.

  • «Estructura una propuesta B2B SaaS de 10 páginas. El cliente es una empresa manufacturera mediana y nuestro producto es una solución de automatización de la gestión de producción»

Step 2: Genere con DALL·E 3 las imágenes que correspondan al concepto de cada diapositiva.

  • Diapositiva 1: portada; 3: planteamiento del problema; 5: presentación de la solución; 7: casos de resultados; 10: cierre

Paso 3: Capture el sitio web del cliente, súbalo a Gemini y analice los puntos de dolor (Pain Points) de esa empresa.


Paso 4: Cree en Runway un clip de 5 segundos con la escena de demostración de la solución e insértelo en la página 5.


Paso 5: Genere toda la narración con ElevenLabs e insértela como audio de cada diapositiva del PPT.

  • En PowerPoint, seleccione cada diapositiva → Insertar → Audio → Audio en mi PC → elija el archivo MP3


Precauciones al usar IA multimodal

⚠️ Puntos que debe verificar sin falta

  • Derechos de autor: la política de derechos de autor de las imágenes generadas por IA varía según la herramienta. Antes del uso comercial, revise los términos de servicio de cada servicio.

    • ChatGPT/DALL·E 3: los usuarios de planes de pago pueden hacer uso comercial

    • Runway: uso comercial permitido en los planes de pago

    • ElevenLabs: uso comercial permitido en los planes de pago

  • Verificación de exactitud: los textos, cifras y logotipos de las imágenes generadas por IA siempre deben ser revisados por una persona.

  • Información confidencial: antes de subir a una IA externa información confidencial de clientes o documentos de estrategia interna, revise siempre la política de seguridad de su empresa.

  • Obligación de divulgación: en algunos casos debe indicarse que el contenido fue generado con IA. Consulte las directrices internas de uso de IA de su empresa.


Cierre: 3 acciones para empezar mañana mismo

Esta es la lista mínima de acciones para aplicar mañana mismo en su trabajo lo aprendido hoy.

Acción 1: hoy (5 minutos)

  • Ingrese a ChatGPT y cree una imagen de portada para una propuesta.

  • Basta con copiar y usar tal cual el ejemplo de prompt 1 anterior.

Acción 2: esta semana (30 minutos)

  • Regístrese en ElevenLabs y cree 1 narración de resumen de una propuesta que tenga en curso.

  • Con 60 segundos de duración es suficiente.

Acción 3: este mes (2 horas)

  • Aplique el **flujo de trabajo integrado (5 pasos)** a una propuesta para una reunión real con un cliente y complete una presentación multimodal.


Lista de verificación de lo esencial

  • Comprendí el concepto de IA multimodal (texto↔imagen↔voz↔video)

  • Podrá generar imágenes de negocios con ChatGPT

  • Con ElevenLabs puede crear voces de narración

  • Con Runway se pueden crear clips de video cortos

  • Podrá analizar imágenes con Gemini y redactar informes a partir de ellas

  • Podrá ejecutar un flujo de trabajo integrado que combina las 4 herramientas

La IA multimodal ya no es terreno exclusivo de los expertos en tecnología. Hoy cualquier persona que sepa escribir texto puede crear imágenes, voz y video. Aplique mañana en su trabajo una sola de las técnicas que practicó hoy: un pequeño comienzo puede traducirse en un gran cambio en su forma de trabajar.

Herramientas mencionadas en este artículo
ChatGPTRunwayElevenLabsGemini
¿Está evaluando una capacitación interna sobre este tema?
📚 Cómo crear un marco para que la IA trabaje sin errores — perfiles no técnicos →📚 Práctica de automatización del trabajo con agentes de IA →Todos los programas →
← Lista de columnas Solicitar capacitación

Más columnas

Crear un programa de diapositivas con IA / Nanumai2026-11-02Estrategia de gestión de canales para ganarse a distribuidores y socios2026-08-09"¿Y si cambio y me critican?" — La aversión al riesgo del comprador B2B y cómo abordarla2026-07-11Quien usa bien la IA no es casualidad: no se trata de prompts, sino de la «capacidad de delegar el trabajo»2026-07-03Escapar del trabajo manual en la era de la IA: unificamos plataformas dispersas en 2 semanas con vibe coding2026-07-02¿Cómo diseñar el lead scoring B2B? — Las condiciones de un MQL que ventas realmente quiere2026-06-15Informes semanales, actas de reuniones y correos a clientes: cómo crear una rutina para ganar 2 horas al día delegándolos a la IA2026-04-10Cómo elegir su plan de pago de IA: comparación completa de precio y valor entre ChatGPT Plus, Claude Pro y Gemini Advanced2026-04-05En la era en que la IA crea imágenes, video y voz, ¿qué es la IA multimodal?2026-04-05Cree su propio asistente de IA para el trabajo: guía completa de configuración personalizada de ChatGPT GPTs y Claude Projects2026-04-05¿Qué significa que la IA «aprende»? Los fundamentos del machine learning explicados para profesionales2026-04-0510 plantillas de prompts para vendedores B2B: desde correos en frío y propuestas hasta el seguimiento posterior a las reuniones2026-04-05¿Qué son los «parámetros» y los «tokens» de un modelo de IA? El secreto del rendimiento de la IA, explicado con números2026-04-05Introducción a la ingeniería de prompts: 5 principios clave para obtener de la IA la respuesta que desea2026-04-05El arte de asignar roles: por qué darle una «persona» a la IA cambia los resultados2026-04-05Guía práctica para no desarrolladores: de la obtención de claves API de OpenAI, Anthropic y Google a la primera llamada2026-04-05Comparación de tamaños de modelos de IA: GPT-4, Claude, Gemini, Llama… ¿en qué se diferencian y cuál conviene usar?2026-04-05Cómo configurar un espacio de trabajo para comparar a la vez las tres grandes IA: ChatGPT, Claude y Gemini2026-04-05Guía completa de configuración de Claude: desde el registro hasta el valor del plan Pro de 200 dólares2026-04-05Cómo pedirle a la IA que analice datos: cómo redactar prompts para obtener insights al subir archivos de Excel y CSV2026-04-05Extensiones de Chrome y atajos para ChatGPT, Claude y Gemini: guía completa para duplicar su velocidad de trabajo2026-04-05
Ver todas las columnas →

Preguntas frecuentes

  • Categoría: basic
  • Fecha de publicación: 5 de abril de 2026
  • Autor: John Kim · Nanum Consultoría

¿Qué es la IA multimodal? La era de crear imágenes, voz y video más allá del texto. La IA multimodal (Multimodal) es una inteligencia artificial capaz de entender y generar al mismo tiempo datos de distintos tipos, como texto, imágenes, voz y video…

Sí, Nanum Consultoría ofrece programas de capacitación a la medida en sus instalaciones y cursos en línea relacionados con el tema de este artículo. Adaptamos el programa de capacitación al perfil y al nivel de los participantes.