Imagen nativa en GPT-4o y Gemini: el render se vuelve conversación

En dos semanas de marzo cambió la forma en que los modelos de lenguaje trabajan con imágenes. El 12 de marzo, Google abrió a los desarrolladores la generación nativa de imágenes en Gemini 2.0 Flash, en versión experimental, con edición conversacional: se pide un cambio y el modelo lo aplica sobre la imagen anterior. El 25 de marzo, OpenAI integró la generación de imágenes en GPT-4o dentro de ChatGPT, con una mejora visible en coherencia entre iteraciones, seguimiento de instrucciones largas y texto dentro de la imagen.

La diferencia con la generación anterior no es solo de calidad. Ahora la imagen nace dentro de la misma conversación en la que se describe el proyecto, y el modelo recuerda lo que se acaba de pedir. Para un estudio de arquitectura, eso cambia la naturaleza del render.

Del render final al boceto conversacional

Durante años, el render ha sido un entregable: caro, lento y reservado para el final de una fase. La imagen nativa en modelos conversacionales lo acerca a otra cosa, un boceto que se discute. En una reunión de anteproyecto se puede partir de un croquis o de una vista del modelo y explorar en minutos:

• variantes de material en fachada: ladrillo, GRC, madera tratada, celosía cerámica;
• cambios de atmósfera: luz de mañana o de tarde, invierno o verano;
• diagramas sencillos con rótulos legibles para explicar un programa o un recorrido;
• referencias de ambiente interior para alinear expectativas con el cliente antes de dibujar.

El valor no está en la imagen, sino en la conversación que provoca. El cliente reacciona antes y con más precisión, y el estudio detecta antes qué le importa realmente.

La mejora en el texto dentro de la imagen también tiene consecuencias prácticas. Hasta ahora, cualquier rótulo generado salía ilegible o inventado. Que un modelo pueda escribir «acceso principal», «patio» o «zona de carga» con cierta fiabilidad abre la puerta a esquemas explicativos rápidos para una primera reunión. Conviene revisar cada palabra antes de enseñarlos: los errores siguen apareciendo, sobre todo en textos largos o con cifras, y un diagrama con una superficie mal escrita transmite descuido.

Dónde sigue fallando

Hay que ser igual de claro con los límites, porque son exactamente los que importan en arquitectura:

Geometría. Los modelos no construyen un volumen; pintan una apariencia plausible. El número de plantas cambia entre iteraciones, los huecos no se alinean, las perspectivas tienen varios puntos de fuga incompatibles y los voladizos desafían la estructura.

Escala. Personas, mobiliario y alturas libres se ajustan a lo que resulta agradable, no a lo dimensionado. Un patio de luces generado puede parecer generoso y no cumplir ninguna ordenanza.

Normativa. El modelo no sabe que una barrera de protección exige como mínimo 0,90 m de altura, o 1,10 m cuando el desnivel supera los 6 m, según el DB-SUA. Tampoco sabe si una rampa cumple pendiente ni si una escalera evacua. Dibuja barandillas bonitas, no conformes.

Edición precisa. La propia OpenAI reconoce limitaciones con la información densa, el texto en idiomas no latinos y las correcciones de detalles concretos, que a veces alteran otras partes de la imagen.

Una imagen generativa es tan buena como la geometría que no tiene. Por eso nunca debe sustituir al modelo del proyecto.

Un flujo de trabajo razonable

Propongo tratar la imagen nativa como una capa sobre el modelo, no como su sustituto:

1. El modelo 3D es la fuente de verdad. Toda imagen de exploración parte de una vista del modelo o de un croquis del estudio, nunca de una descripción libre.
2. Las imágenes generativas son de fase temprana. Sirven para explorar y conversar; no forman parte de la documentación del proyecto básico ni del de ejecución, ni de lo que se presenta para licencia o visado.
3. Cada decisión que sale de una imagen vuelve al modelo. Si el cliente elige una celosía, esa celosía se dibuja, se dimensiona y se comprueba.
4. Confidencialidad. Antes de subir planos o fotografías de un cliente, comprobar las condiciones de uso de la herramienta y si los contenidos se utilizan para entrenar.

Etiquetar desde el primer día

OpenAI indica que las imágenes de GPT-4o incorporan metadatos C2PA que permiten identificar su origen. Es una buena práctica, pero insuficiente: esos metadatos se pierden con una captura de pantalla o al exportar a un panel de concurso. La etiqueta visible sigue siendo necesaria.

Además, el anteproyecto de ley aprobado en marzo y el artículo 50 del reglamento europeo apuntan en la misma dirección: identificar de forma clara el contenido generado con IA, sobre todo cuando representa lugares reales o personas. Una fórmula breve en cada lámina, como «Imagen de exploración elaborada con IA, no contractual», evita malentendidos con clientes y jurados.

Mi posición

La imagen nativa no amenaza al visualizador profesional ni al arquitecto que dibuja; amenaza al render como objeto aislado. Lo que gana valor es la capacidad de llevar una conversación visual con el cliente sin perder el control geométrico, dimensional y normativo del proyecto. Los estudios que integren estas herramientas en fases tempranas, con el modelo como referencia y con etiquetas claras, ganarán tiempo y precisión en la definición del encargo. Los que entreguen imágenes generativas como si fueran proyecto se encontrarán con la factura en obra.