Hay una marca de quesos madurados que consumo con gusto. Su cottage es un muy buen producto. Tiene un proceso artesanal cuidado, una calidad que se nota y una propuesta que podría hablarle con mucha precisión a personas mayores de 35 años que cuidan su salud sin estar dispuestas a sacrificar lo que comen.
Sin embargo, cuando veo sus piezas, me encuentro con una gráfica que podría pertenecerle a muchas otras marcas. Imágenes hechas con IA, correctas en lo técnico, limpias, rápidas de producir y tan intercambiables que terminan ocultando lo más valioso del producto: su origen, su proceso y la vida concreta de la persona que podría elegirlo.
No escribo esto para cuestionar el uso de IA. La herramienta puede acelerar una producción que antes exigía más tiempo y presupuesto. El problema empieza cuando esa velocidad reemplaza el criterio.
Porque una marca puede declarar que conoce a su audiencia y, al mismo tiempo, alimentar a la IA con un encargo sin contexto. “Mujer saludable”, “persona que se cuida”, “consumidor de calidad”. La herramienta responde con una versión estadística de esas palabras. No porque quiera excluir a alguien, sino porque no recibió suficiente información para imaginar a la persona real a la que la marca quiere alcanzar.
Y esa persona, cuando no se reconoce, sigue scrolleando.
La gráfica también tiene un usuario por defecto
La publicidad ha tenido durante años un usuario por defecto. Aunque una estrategia mencione inclusión, las piezas pueden insistir en los mismos cuerpos, edades, tonos de piel y contextos de vida. Con la IA generativa, ese patrón ya no necesita surgir de una decisión consciente. Puede reproducirse a una velocidad que el equipo celebra como eficiencia.
El punto no es que cada imagen deba representar a todas las personas. Es más exigente que eso: debe representar con intención a la persona para la que fue concebida la propuesta.
La evidencia disponible obliga a mirar esa diferencia con atención. En 2025, Begoña Moreno, Sergio Baltasar y Esmeralda López analizaron 359 retratos publicitarios generados a partir de 36 prompts estandarizados, en español e inglés, mediante Copilot, Leonardo, Firefly y Midjourney. El estudio exploratorio encontró patrones de homogeneidad corporal y facial, sobrerrepresentación de mujeres caucásicas y menor presencia de cuerpos robustos y razas minoritarias. Sus resultados dependen de esos modelos, esos prompts y ese formato de retrato; no describen toda la IA generativa. Pero sí muestran que un prompt aparentemente neutro puede devolver una representación estrecha.
Otra investigación, publicada en 2025, analizó 324 retratos producidos con Midjourney v5.2 bajo condiciones definidas. En el grupo de 84 imágenes de personas STEM donde no se especificaba género ni etnia, todas fueron clasificadas como masculinas y blancas. Cuando el prompt pedía mujeres en STEM, el 98 % fue clasificado como blanco y el 99 % como joven o de mediana edad. No es una cifra para aplicar a cualquier generador, versión o solicitud. Es una evidencia concreta de lo que ocurre cuando el modelo completa por sí mismo lo que una marca no definió.
La IA parece neutral porque entrega una imagen pulida. Pero una imagen pulida no es lo mismo que una imagen precisa.
El problema no está en el prompt: está en el criterio que falta antes de escribirlo
Un prompt “inclusivo” no corrige por sí solo un modelo entrenado con patrones limitados. Decir “mujer diversa” o “persona latina” puede cambiar una parte de la respuesta, pero no sustituye el trabajo de definir a quién representa la marca, qué contexto de vida importa y qué señales visuales no pueden desaparecer.
En el caso de la marca de quesos, el problema no es que una pieza hecha con IA tenga que mostrar a toda persona que cuida su salud. El problema es que podría seguir utilizando la misma imagen genérica para vender un suplemento, una aplicación de bienestar o una comida rápida presentada como ligera. La gráfica no contiene la inteligencia del producto.
No habla de un proceso artesanal. No hace visible la relación entre calidad y elección cotidiana. No recoge la experiencia de una persona adulta que busca alimentarse bien, valora lo que compra y no necesita que la reduzcan a un estereotipo de “vida saludable”.
Cuando una marca entrega esos vacíos a la IA, está construyendo un dataset ciego en su propia comunicación. Ya no es el algoritmo de analítica el que opera con una idea incompleta del cliente. Es la gráfica que llega a su feed.
Esa es la diferencia entre usar IA para producir y usar IA para pensar por la marca.
Antes de publicar, hay que revisar la imagen como una decisión estratégica
En El Primer Pincelazo, no comienzo preguntando qué visual puede generar la herramienta más rápido. Reviso primero la evidencia que una pieza debe sostener.
¿A quién necesita reconocer esta imagen, más allá de una edad o una categoría demográfica? ¿Qué motivación de compra concreta debe aparecer? ¿Qué hace que este producto no sea intercambiable con otro? ¿Qué rasgos de vida, contexto cultural, cuerpo, edad o experiencia no pueden resolverse con una versión genérica de “persona saludable”?
Después convierto esas respuestas en un criterio de producción. El proceso artesanal, la materialidad del producto, la expectativa de calidad y el perfil de quien compra no son adornos que se añaden al final. Son las condiciones que deben orientar la gráfica desde el inicio.
Luego llega la parte que muchos equipos omiten: revisar lo que la IA devolvió. No basta con que la imagen se vea bien. Hay que preguntarse si la persona que la recibe puede pensar: “esto fue hecho para alguien como yo”. Si la respuesta es no, la eficiencia de producción está creando una pérdida de atención y de confianza.
No adorno la información; la estructuro.
La IA puede ser parte de ese proceso. Pero necesita una dirección que no viene instalada en el modelo. La aporta una marca que sabe a quién quiere hablarle y se toma el trabajo de comprobar si su gráfica está cumpliendo esa promesa.
La pregunta no es si tu equipo usa IA para producir contenido. La pregunta es más incómoda:
¿Alguien en tu equipo está revisando si la gráfica que produce la IA representa al cliente que dices querer alcanzar, o solo al cliente que el modelo asume por defecto?
REFERENCIAS DE RESPALDO
Moreno, B., Baltasar, S., & López, E. (2025). IA generativa y retrato publicitario: estudio sobre la representación femenina. aDResearch ESIC International Journal of Communication Research, 34, e322. Estudio exploratorio de 359 retratos, 36 prompts, cuatro herramientas y dos idiomas. [DOI: 10.7263/ADRESIC-34-322](https://doi.org/10.7263/ADRESIC-34-322).
– Messingschlager, T. V., & Appel, M. (2025). Algorithmic bias in image-generating artificial intelligence: prevalence and user perceptions. Information, Communication & Society. El análisis de representación se refiere específicamente a 324 retratos generados con Midjourney v5.2 el 3 de agosto de 2023, bajo prompts definidos. [DOI: 10.1080/1369118X.2025.2584146](https://doi.org/10.1080/1369118X.2025.2584146).
– Alon, L., Shoval, D. H., & Levkovich, I. (2026). Bias and representation in AI generated text-to-image in education: A systematic review. Computers and Education: Artificial Intelligence, 10, 100587. Revisión de 31 estudios en contextos educativos; sirve como contexto, no como medición universal de modelos. [DOI: 10.1016/j.caeai.2026.100587](https://doi.org/10.1016/j.caeai.2026.100587).
