He estado trabajando con IA generativa desde 2022. Esta página recorre cómo fue evolucionando ese proceso — de leer papers académicos en una startup a entregar campañas para La Caixa y Orange. Va de lo más reciente al principio.
2026 — trabajo con clientes en producción
Este año la mayor parte de mi trabajo con IA ha sido dentro de pipelines reales: plazos de cliente, estándares de marca, equipos que no están construidos alrededor de flujos de IA. Los problemas interesantes han sido técnicos — conseguir que el output generativo aguante cuando el listón lo pone un banco o una teleco, no lo que queda bien en una demo.
- La Caixa — artefactos de vídeo IA en elementos de marca; solución de compositing híbrido
- Orange — primera campaña 100% IA; optimización de pipeline y VFX híbrido para logos en dispositivos en movimiento
- Reconstrucción de especie — reconstrucción de un ave extinta a través de orquestación multimodelo
Finales 2025 — videoclip Patiele (en curso)
Esto sigue en proceso. El objetivo es averiguar si se puede construir un pipeline fiable para un videoclip completo usando IA generativa — no conseguir buenos frames de casualidad, sino algo lo suficientemente predecible como para planificar un presupuesto y un calendario alrededor.
El proceso empieza con preproducción tradicional: guión, desglose de planos, dirección de arte cerrada antes de tocar ninguna herramienta de generación. A partir de ahí, entrené LORAs personalizadas para la cantante protagonista, Ama, para que su identidad se mantuviera consistente a lo largo de cientos de frames distintos. Los sets y personajes se diseñaron como assets de animación, no se improvisaron mediante prompts. Antes de generar ningún vídeo, construí un animatic completo con stills sincronizados con la música — lo que me permitió detectar problemas de ritmo y timing en el punto más barato posible. La animación final mezcla distintos modelos según el plano, y todo pasa por compositing tradicional al final.
La metodología de diez pasos que estoy desarrollando aquí nace de una frustración concreta: la generación por IA solo sirve si puedes predecir lo que vas a obtener. La aleatoriedad es un problema de producción, no una ventaja creativa.
Agosto 2025 — Abuelas
Fue un proyecto personal de R&D. La pregunta que estaba trabajando: ¿se puede usar IA generativa dentro de un proceso cinematográfico sin que tome el control de la dirección?
La respuesta es sí, pero requiere mantener las decisiones editoriales completamente en tus manos. Usé IA para generar material visual — sets, personajes, atmósfera — y tomé a mano cada decisión sobre ritmo, pacing y arco emocional. Las herramientas eran un recurso, no una directora. Esa distinción parece obvia hasta que estás editando material generado, porque viene con sus propias sugerencias implícitas sobre qué debería pasar después. Resistir eso es una habilidad específica que requiere práctica.
Julio 2025 — Mahou, expansión espacial
El brief pedía transformar un único plano de una pequeña plataforma de asfalto en una estructura marítima masiva rodeada de agua y embarcaciones. Sin rodaje en exteriores, con presupuesto fijo.
Empecé con un plano 3D en Cinema4D para fijar perspectiva y escala antes de tocar ninguna generación — si esa base falla, nada de lo que venga después parecerá físicamente real. Desde ahí usé Adobe Firefly para expandir el entorno, específicamente porque respeta bien las referencias geométricas. La integración entre el entorno generado y el footage original pasó por Photoshop y Topaz. La animación se hizo con herramientas de generación de vídeo, manteniendo el asset de marca intacto en todo momento.
2024 — de la investigación a la producción
Trabajando en Serena y después en Jacaranda, la fase experimental terminó y la IA pasó a ser parte del pipeline real. Esa transición es más difícil de lo que suena. Los tests tienen plazos flexibles y márgenes generosos. La producción tiene plazos de cliente, procesos de aprobación, estándares de calidad que no se mueven, y a veces requisitos legales sobre los assets que estás generando.
La mayor parte de lo que había acumulado en los años de investigación empezó a servir aquí — no porque las herramientas hubieran mejorado dramáticamente, sino porque tenía claro qué era realmente fiable y qué requería intervención manual. Saber exactamente dónde algo falla es más útil en producción que saber qué hace bien, porque puedes planificar alrededor de limitaciones pero no de sorpresas.
2022–2023 — el lab de consistencia visual
Las imágenes de abajo son de la fase de investigación — no prompts aislados, sino una investigación sostenida sobre si variables concretas de dirección de arte podían mantenerse constantes a través de distintos outputs. Misma lógica de paleta, mismo planteamiento de iluminación, misma identidad de personaje en distintas generaciones.
Trabajé a través de distintos registros visuales de forma deliberada. Algunos de estos eran stress tests — llevando la construcción de prompts hasta el punto donde el modelo dejaba de ser útil, específicamente para mapear dónde estaba ese límite. Es la parte que tiende a saltarse: saber dónde algo rompe importa más en producción que saber qué hace bien.
Esa investigación no produjo un entregable acabado. Lo que produjo fue un entendimiento operativo de qué es realmente controlable y qué no — lo que importa más de lo que parece cuando estás con un plazo real encima.
2022 — primer proyecto comercial
El primer proyecto donde assets generados por IA entraron en una entrega real partía de un concepto de Diego Flores. Mi rol fue la ejecución técnica: generación, compositing, edición — convertir las piezas en algo que funcionara como película terminada. Pedro Bataller se encargó del diseño de sonido a partir de un demo rough que monté. Daniel Fondón escribió el copy.
Lo que más recuerdo de ese proyecto es cuánto trabajo manual seguía siendo necesario después de la generación. El modelo te llevaba hasta cierto punto. El resto era compositing tradicional y corrección fotograma a fotograma. Esa proporción — generado versus manual — no cambió tan drásticamente en los años siguientes como mucha gente esperaba.
Antes de eso: Snippet
Estaba en Snippet — una startup de vídeo — cuando empecé a meterme en serio en la IA generativa. La empresa necesitaba entender hacia dónde iba realmente la tecnología, no la versión de los titulares, así que empecé a ir a la literatura académica. Modelos de difusión. Espacios latentes. Cómo funciona matemáticamente la consistencia de imagen. Lo que fui encontrando lo compilé en informes estructurados en español, y eventualmente esos documentos se vendían a clientes y agencias como briefings de inteligencia. No era el plan original, pero tenía sentido.
En paralelo hacía tests en Midjourney — no para generar imágenes bonitas, sino para averiguar si la consistencia visual era alcanzable en absoluto. Si podías mantener un universo visual coherente a través de múltiples outputs, o si la herramienta seguiría produciendo variaciones que hacían imposible cualquier entrega profesional.
Esas preguntas se quedaron conmigo y dieron forma a todo lo que vino después.
Cocothinks 