Por qué no basta con describir al personaje
Describe a una persona con toda la precisión que puedas: "mujer de treinta y tantos, melena castaña oscura hasta el hombro, gafas, pecas". Genera diez imágenes con eso. Vas a obtener diez mujeres distintas, y todas encajan en la descripción. El problema no es que el modelo no preste atención — es que una descripción señala una categoría, no a una persona.
Lo que hace que una cara sea esa cara son relaciones finas que las palabras apenas pueden transportar: la distancia entre los ojos, la proporción de nariz y boca, la curva del mentón. No tenemos vocabulario para nada de eso. Por eso no ayuda una descripción más larga, y por eso tampoco ayuda ponerle nombre — salvo que aciertes con un famoso que aparece mucho en el material de entrenamiento, y ahí empieza otro problema.
La respuesta de hoy: la imagen de referencia
El salto fue que los modelos empezaron a aceptar imágenes como entrada, no solo texto. Subes una o varias fotos de tu personaje, el modelo saca la cara de ahí, y el prompt dice qué tiene que pasar: otra postura, otro entorno, otra ropa.
Hace dos años esto exigía un entrenamiento aparte; hoy es una función estándar en todos los modelos de imagen grandes. La diferencia práctica es enorme: sin entrenar, al instante, y hasta con una sola foto subida sale algo aprovechable. Entre los tipos de referencia sí hay diferencias importantes — el estilo, el personaje y la composición no viajan por el mismo mecanismo —, y los tipos de imagen de referencia lo desarrolla en detalle, con sus límites.
Cuántas referencias admite un modelo
Cada proveedor pone tope a cuántas imágenes acepta a la vez, y esas cifras dicen más sobre la tecnología que los materiales de marketing.
- Los modelos de mayor capacidad manejan seis objetos, cinco personajes y tres referencias de estilo a la vez.
- Las variantes más rápidas y baratas suelen permitir diez objetos pero solo cuatro personajes — el número no es un ranking de calidad, y los personajes son siempre el límite más estrecho.
- En las familias de peso abierto el techo está en diez imágenes.
- Un proveedor grande subió hace poco su límite de tres a cinco imágenes fuente — buena señal de que el terreno sigue moviéndose.
Dónde se rompe: más de un personaje
Hay un fenómeno que tiene nombre propio en la literatura: cuando varios personajes comparten imagen, el modelo los mezcla entre sí. Una medición de marzo de 2026 lo cuantificó sobre modelos de investigación, y la curva es empinada.
- Con dos personajes, alguna pareja se funde en casi la mitad de los intentos.
- Con cuatro personajes ya pasa de cuatro de cada cinco.
- Con diez personajes ocurre prácticamente siempre.
- No depende del parecido: personajes de distinto sexo y edad también se mezclan.
Estas cifras corresponden a modelos de investigación, no a los servicios comerciales, así que no las tomes como la nota de la herramienta que tú usas. La lección sí se traslada: un personaje por imagen. Si hacen falta dos en una escena, sale más fiable montándolos después que generándolos de una sola vez.
Un producto no es un personaje
La consistencia de producto parece el mismo trabajo y en la práctica es a la vez más fácil y más severa. Más fácil, porque un objeto no tiene cara: el modelo no "confunde" una caja como confunde a una persona. Más severa, porque el fallo se ve al instante — si el logotipo se desplaza en el envase o cambia el matiz del color, eso no es estilo, es una imagen falsa de un producto.
Por eso con productos el método que funciona no es generar del todo, sino completar una foto real: tú fotografías el producto y la IA pone el fondo y el entorno. Eso resuelve la fidelidad y el riesgo legal de una vez. El flujo completo, con los errores típicos, está en la foto de producto para tienda online, paso a paso.
Cuándo sí compensa entrenar
La imagen de referencia no lo resuelve todo. Si necesitas el mismo personaje una docena de veces por semana, si trabajas en un estilo muy propio, o si el manejo de referencias de tu proveedor no es bastante preciso para tu caso, el ajuste ligero sigue estando sobre la mesa.
Las cifras hoy son más amables de lo que mucha gente recuerda: suelen bastar entre nueve y cincuenta imágenes, y en un proveedor el coste se cuenta por pasos — mil pasos salen por seis o siete dólares, más o menos. Eso no es una partida de gran empresa; un negocio pequeño puede montar su propio modelo de personaje en una tarde. La pregunta de verdad es si compensa: si haces menos de veinte imágenes al mes con él, probablemente no.
Malentendidos frecuentes
- "Cuantas más referencias, mejor." Hasta cierto punto sí, a partir de ahí no. Cerca del tope que declara el proveedor el resultado suele empeorar, porque las imágenes se contradicen entre sí.
- "La referencia de estilo arrastra también al personaje." No. La referencia de estilo lleva la paleta y el aspecto; los personajes y los objetos expresamente no viajan con ella — un proveedor lo deja escrito en su propia documentación.
- "La imagen de referencia solo afecta a la cara." Por desgracia no: si en la referencia se ve el fondo o la ropa, algo de eso también se filtra. La literatura tiene un nombre aparte para el efecto.
- "Lo que se estabiliza, se queda." En una serie larga hay una deriva lenta: la imagen veinte se nota distinta de la primera. Conviene volver siempre a la misma referencia original, nunca a la imagen anterior.
Lo que conviene llevarse
La consistencia de personaje y de producto se resuelve hoy con imagen de referencia y sin entrenar nada — uno de los cambios prácticos más grandes de los últimos dos años. El límite aparece en cuanto varios personajes comparten encuadre: a partir de ahí, trocea la escena. Y métete a entrenar solo cuando el volumen lo justifique de verdad.