Layout control: indicar dónde va cada elemento

Lo que el modelo sabe del espacio — y lo que no

El modelo de imagen convierte tu texto en un concentrado de significado y a partir de ahí construye la imagen. En ese concentrado entra estupendamente qué hay en la imagen: producto, mesa, ventana, luz. Lo que entra mal es la relación: qué hay detrás de qué, qué queda a la izquierda de quién, cuál está más arriba. El modelo vio en las imágenes de entrenamiento que la taza está sobre la mesa, pero de la frase "la taza a la izquierda del portátil" no deduce con seguridad de qué lado hablamos.

Esta es la explicación que hay detrás de una experiencia cotidiana. Si alguna vez has intentado pedir una imagen en la que sabes exactamente dónde va el logo y dónde tiene que quedar sitio para el rótulo, ya lo has vivido: la imagen es bonita, el contenido encaja, pero la disposición es aleatoria. La buena noticia es que la situación no es desesperada — solo que no se resuelve con palabras.

La medición que enseña el límite

En enero de 2026 se publicó una evaluación construida específicamente para la disposición espacial: 1230 prompts, 21 modelos, mirando exclusivamente si la cosa acaba donde se pidió. El resultado da que pensar.

• Incluso los mejores modelos rinden en torno al 60 por ciento en conjunto — o sea, una de cada tres o cuatro imágenes tiene mal la disposición.
• La parte baja de la tabla, los modelos abiertos de hace unos años, se queda por debajo del 30 por ciento.
• En las subtareas que miden relaciones puramente espaciales las puntuaciones caen a menudo por debajo del 30 por ciento.
• Eso está peligrosamente cerca del 20 por ciento del nivel aleatorio — es decir, en esas subtareas el modelo apenas supera al azar.

Importa que estos números son relativos: sirven para comparar dos modelos, no para predecir tu imagen concreta. De las evaluaciones de modelos de imagen sabemos además que se apartan del juicio humano — al rehacer una de las métricas más conocidas, los autores midieron 17,7 puntos porcentuales de diferencia entre la puntuación antigua y el ranking humano. De los números llévate, por tanto, que la disposición por palabras es incierta, no cuánto exactamente.

Cuatro métodos, del más laxo al más estricto

Para fijar la disposición hay cuatro caminos, y lo que los separa no es el esfuerzo sino cuánta libertad le dejas al modelo.

• Palabras. Describes las posiciones en el texto del prompt. Es lo más sencillo y a veces basta — si solo hay que situar una cosa y el margen es amplio. A partir de dos elementos empieza a deshacerse.
• Proporción y hueco libre. No pides una posición sino una composición: "un cielo amplio y vacío en el tercio superior", "el tema abajo en el encuadre, con sitio encima". Esto se les da mucho mejor a los modelos, porque es un concepto de composición, no una coordenada.
• Imagen de boceto. Le entregas un dibujo — una disposición de cajas hecha a mano o el contorno de una imagen existente — y el modelo trabaja a partir de ahí. Es el método más fiable, y ahora lo detallo.
• Descripción estructurada. El prompt no lo das como frase sino como estructura de datos, elemento por elemento con su estilo y opcionalmente una caja que marca su sitio. Una única familia de modelos construyó todo su entrenamiento alrededor de esto, y allí es la lengua nativa.

El boceto como entrada

La clave de la solución que parte de un boceto es que la estructura de la imagen no la entregas de palabra sino en imagen. En el mundo de las herramientas abiertas hay capas de control maduras para esto: las más habituales son la detección de bordes, el contorno suave, el mapa de profundidad, la postura corporal, el garabato a mano alzada y la base en escala de grises. Para 2026 todo eso quedó reunido en un único modelo de control combinado, así que ya no hace falta una descarga por cada uno.

En la práctica esto significa que abres un programa de dibujo y en dos minutos colocas los rectángulos: aquí el producto, aquí el sitio del rótulo, aquí el horizonte del fondo. De ahí sale el boceto, y el modelo va a mantener esa estructura, porque no tiene que interpretarla sino seguirla. Sobre los tipos de imagen de referencia y sobre qué traslada cada uno, el artículo de los tipos de referencia entra en más detalle — el boceto es solo uno de ellos.

Cuando lo importante es la estructura

La descripción estructurada sigue otra lógica. No escribes una frase: enumeras los elementos, a cada uno le pones su propio estilo y puedes indicar dónde va. En un cartel eso es justo lo que necesitas: el titular con esta letra a este tamaño, la imagen aquí, la letra pequeña allá.

Hoy no es una capacidad general. El entrenamiento de una familia de modelos se construyó exclusivamente sobre descripciones con esa estructura, con estilo por elemento y cajas delimitadoras opcionales — ahí funciona, en otros sitios lo más probable es que solo quede un prompt raramente acartonado. Si produces material dependiente de la disposición con regularidad, vale la pena meter este criterio en la elección de herramienta.

Una receta que basta en la mayoría de los casos

Si no quieres pelearte con capas de control, estos tres pasos resuelven la disposición en la mayoría de imágenes de marketing.

1. No le pidas el hueco a la imagen, que lo dé la proporción.
   Pide un encuadre ceñido al tema y recorta después el sitio del texto,
   o genera una imagen más amplia y extiende sus bordes.

2. Una sola petición de disposición por imagen.
   "El producto en el tercio izquierdo" — hasta ahí. No añadas qué va
   arriba a la derecha y qué abajo, porque ahí es donde se rompe.

3. El rótulo no lo ponga el modelo.
   Que la imagen sea imagen y el texto vaya después, con una tipografía
   de verdad. Es el único método que sigue siendo legible en todos
   los tamaños.

Malentendidos habituales

• "Si lo describo con más detalle, saldrá más preciso." Con la disposición no. Varias peticiones de posición en un mismo prompt suelen empeorar el resultado, no mejorarlo.
• "Ya lo resolverá un modelo mejor." Según las mediciones, aquí la distancia entre los mejores y la zona media es menor que en otros terrenos — es el punto flojo de todo el pelotón.
• "El prompt negativo ayuda a evitar que vaya ahí." El prompt negativo ya ni existe en varios modelos nuevos, y para peticiones espaciales nunca fue fiable.
• "Con regenerar bastantes veces, alguna acierta." Acierta — pero si hacen falta quince intentos, sale más caro y más lento que dos minutos de boceto.

Lo que conviene llevarse

La disposición es el terreno donde antes se acaban las palabras. Si la composición importa de verdad — porque encima va texto, porque entra en una plantilla de marca, porque el sitio del producto está fijado —, no pulas el prompt: dale estructura al modelo, ya sea un boceto, una proporción o una descripción estructurada. Las cuatro capas con las que se arma el resto del prompt siguen siendo las mismas, y de eso habla en detalle el artículo sobre cómo se construye el image prompt , capa por capa.