Qué es la IA generativa
La IA generativa agrupa los modelos que crean imágenes, texto, audio o video nuevos a partir de patrones aprendidos; sostiene los editores de fotos actuales.
La IA generativa es la rama de la inteligencia artificial cuyos modelos producen contenido nuevo —imágenes, texto, audio o video— a partir de patrones aprendidos en millones de ejemplos. En imagen dominan tres familias: GAN (2014), modelos de difusión (2020–2022) y transformers (2017), que interpretan el texto. La misma base sirve para un fondo de producto o un desnudo sintético.
Familias de modelos generativos
| Familia | Año y referencia | Qué hace |
|---|---|---|
| Autoencoders variacionales (VAE) | 2013, Kingma y Welling | Comprimen la imagen a un espacio latente y la reconstruyen |
| GAN | 2014, Goodfellow y colegas | Dos redes compiten hasta que la imagen creada parece real |
| Transformers | 2017, Vaswani y colegas | Interpretan texto y guían la generación; base de los LLM |
| Modelos de difusión | 2020, Ho y colegas; 2022, Stable Diffusion | Quitan ruido paso a paso hasta formar una imagen guiada por texto |
Las cuatro familias conviven en los sistemas actuales: un modelo de difusión suele trabajar en el espacio latente de un VAE y recibe el texto a través de un codificador transformer.
Cómo aprende y cómo genera
El entrenamiento consiste en mostrar al modelo millones de pares imagen-texto hasta que aprende qué píxeles acompañan a qué palabras. En la generación, el modelo parte de ruido aleatorio o de una foto existente y lo transforma en pasos sucesivos hasta que el resultado coincide con la instrucción. No copia una imagen concreta: combina patrones estadísticos.
De ahí salen los tres modos que aparecen en las herramientas: texto a imagen (la persona resultante no existe), img2img (parte de una foto real y la transforma) e inpainting (rellena solo una zona marcada). Los dos últimos son los que afectan a personas identificables.
Usos y por qué importa en esta categoría
Los mismos modelos redactan textos, restauran fotos antiguas, crean fondos de producto, cambian una prenda por otra o animan una imagen. Los editores SFW y las apps de desnudo sintético comparten familia, arquitectura y hasta los mismos modelos base; se diferencian en el filtro de contenido y en el uso al que se destinan.
Por eso este glosario trata la técnica como neutra y evalúa el uso. Las herramientas que reseñamos se prueban con fotos de control propias y se puntúan según cómo evaluamos, con la privacidad como criterio de mayor peso (30 %).
Riesgos y límites
- Estimación, no verdad: el modelo inventa lo que no ve; anatomía, manos, texto y joyas fallan con frecuencia.
- Sesgos del entrenamiento: los datos de origen condicionan cuerpos, rostros y escenas que el modelo considera «normales».
- Servidor remoto: en los servicios web la foto completa viaja al proveedor; la política de datos define cuánto tiempo queda allí.
- Procedencia: sin credenciales de origen o marca de agua, la imagen final no distingue lo real de lo generado.
- Límite editorial: este sitio no ejecuta modelos ni recibe fotos; describe la tecnología y reseña servicios de terceros.
En Chile
No existe todavía una ley general de inteligencia artificial vigente. El Boletín 17.618-19, en trámite, propone un «sello claro y rastreable» para el contenido generado con IA; el Boletín 17.795-19, también en trámite, tipifica los deepfakes de personas reales sin consentimiento. El Reglamento de IA de la Unión Europea (2024) obliga a marcar el contenido sintético en su artículo 50.
Lo que sí rige es el uso: difundir un desnudo sintético de una persona identificable sin su consentimiento puede caer en los artículos 161-C (Ley 21.153, 2019) y 161-D (Ley 21.675, 2024) del Código Penal, y subir la foto de un tercero a un servicio es tratar un dato biométrico según la Ley 21.719, vigente desde el 1 de diciembre de 2026. Esta entrada informa; no es asesoría legal.
Términos relacionados
- GAN: la familia de la primera generación de herramientas y sus artefactos típicos.
- Stable Diffusion: el modelo de difusión abierto que popularizó la edición de fotos con IA en 2022.
- Medios sintéticos: el término neutral para el contenido creado o alterado con IA.
Herramientas relacionadas
Las herramientas que aplican estos modelos a la ropa están comparadas en desnudar fotos con IA; las fichas con puntaje y fecha de prueba, en el catálogo de apps para desnudar.
Preguntas frecuentes sobre IA generativa
¿Qué significa modelo generativo en palabras simples?
Un programa que aprendió patrones de millones de ejemplos y los usa para producir contenido nuevo: una imagen, un texto o un video que no existían. No copia un archivo concreto; combina lo aprendido.
¿Qué diferencia hay con un editor de fotos clásico?
El editor clásico modifica píxeles existentes con reglas fijas: recorta, corrige color, copia parches. El modelo generativo inventa píxeles que no estaban en la foto, guiado por texto o por otra imagen.
¿Las apps para desnudar usan estos modelos?
Sí. Usan modelos de difusión o, en la primera generación, GAN, con img2img o inpainting sobre una foto real y sin filtro de contenido. La técnica es la misma que en los editores SFW.
¿La IA generativa es legal en Chile?
La tecnología sí; no hay ley general vigente y los proyectos siguen en trámite. Lo que se sanciona es el uso: difundir imágenes íntimas de terceros sin consentimiento y tratar sus datos biométricos.
¿Cómo sé si una imagen fue hecha con IA?
Revisando bordes, manos, texto y reflejos incoherentes, y buscando credenciales de procedencia o marca de agua. Sin esas señales técnicas, solo una pericia da certeza; la guía de detección explica los pasos.
Seguir leyendo
- Cambiar ropa con IA vs quitar ropa: dos familias de herramientas con la misma base.
- Cómo detectar un deepfake: las señales que dejan los modelos.
- Detección de deepfakes: métodos técnicos y sus límites.
- Quitar ropa con IA: qué editores aplican estos modelos y cómo rinden.
Fuentes
- Goodfellow y colegas (2014) — «Generative Adversarial Networks», arXiv 1406.2661: arxiv.org.
- Vaswani y colegas (2017) — «Attention Is All You Need», arXiv 1706.03762: arxiv.org.
- Ho, Jain y Abbeel (2020) — «Denoising Diffusion Probabilistic Models», arXiv 2006.11239: arxiv.org.
- Rombach y colegas (2022) — «High-Resolution Image Synthesis with Latent Diffusion Models», arXiv 2112.10752: arxiv.org.
- Kingma y Welling (2013) — «Auto-Encoding Variational Bayes», arXiv 1312.6114: arxiv.org.
- Unión Europea — Reglamento (UE) 2024/1689 de inteligencia artificial, artículo 50: eur-lex.europa.eu.
- Biblioteca del Congreso Nacional — Ley N.° 21.153, artículo 161-C del Código Penal: bcn.cl.