Estudios de IA: la promesa del catálogo sin sesión

Durante dos años, la IA generativa llegó a la moda por piezas sueltas: un fondo aquí, un retoque allá, un modelo virtual para una campaña concreta. Este agosto ha cambiado el envoltorio. Las herramientas se están empaquetando en algo que se vende con un nombre muy directo —estudio— y con una promesa todavía más directa: el catálogo entero, sin sesión.

El 11 de agosto de 2026, ImagineArt lanzó AI Fashion Studio, una plataforma que declara sin rodeos su objetivo: generar fotografía y vídeo de moda de calidad de catálogo y editorial «sin modelo físico, sin estudio y sin fotógrafo». No es la primera ni será la última. WearView, Rawshot, Claid, SellerPic o FASHN llevan meses ocupando el mismo territorio. Lo relevante no es el lanzamiento en sí, sino que el sector ha encontrado por fin la forma de producto que le faltaba: ya no vende un modelo generativo, vende un flujo de trabajo completo.

Llevo suficientes años haciendo fotografía de producto para reconocer cuándo una herramienta cambia de categoría. Y esta lo ha hecho. Merece la pena mirarla con atención: qué resuelve de verdad, cuánto cuesta y en qué punto exacto sigue necesitando a alguien con una cámara.

Qué es exactamente un «estudio de IA»

La diferencia entre un generador de imágenes y un estudio de IA es la misma que hay entre un objetivo suelto y un plató montado. Midjourney genera imágenes preciosas y absolutamente inservibles para un catálogo: cada resultado es una persona distinta, con una luz distinta, en un mundo distinto. Un catálogo necesita justo lo contrario, la disciplina de la repetición.

Los estudios de IA se han construido alrededor de esa necesidad. El flujo típico —el de ImagineArt es un buen ejemplo, con seis pasos declarados— funciona así:

1. Seleccionar o generar un modelo y guardarlo como identidad reutilizable: mismo rostro, mismo cuerpo, mismo tono de piel en todas las sesiones futuras.
2. Vestir la prenda real, subida como fotografía en plano, con opciones de tejido y caída.
3. Añadir calzado y complementos.
4. Definir el fondo, desde el ciclorama blanco de marketplace hasta una localización de campaña.
5. Dirigir la pose con controles concretos, no solo con texto libre.
6. Exportar imagen fija o vídeo en varias relaciones de aspecto, listas para ficha de producto, para Instagram y para el banner de portada.

Escrito así se parece muchísimo a una jornada de estudio. Esa es toda la idea: replicar la lógica de producción, no solo el resultado visual.

El salto de 2026 no ha sido de calidad de imagen. Ha sido de consistencia: la capacidad de repetir la misma cara mil veces.

Las cifras que están moviendo al sector

La conversación con clientes ha cambiado de tono porque los números han dejado de ser hipotéticos. Zalando ha comunicado una reducción del 90% en el coste de su imagen editorial y, quizá más importante, una caída de los plazos de producción de seis u ocho semanas a tres o cuatro días. Levi's utiliza conversión de packshot a imagen con modelo para escalar contenido y ampliar representación corporal. H&M mantiene una treintena de gemelos digitales de modelos reales que conservan los derechos sobre su imagen y cobran por cada uso.

En el segmento de herramientas de suscripción, el rango de precios va aproximadamente de 9 a 180 euros mensuales según volumen, lo que deja el coste por imagen aprovechable en una horquilla de unos 0,45 a 3 euros. Frente a los 150 a 500 euros que cuesta una imagen de producto con modelo en producción tradicional, la comparación resulta demoledora sobre el papel.

Conviene leer esa cifra con cuidado, porque compara cosas distintas. El coste por imagen generada no incluye el tiempo de dirección, de descarte y de corrección, que sigue siendo íntegramente humano y que, en volúmenes altos, es la partida que de verdad decide si el proyecto sale rentable. La experiencia habitual es que de cada lote generado se aprovecha una fracción, y esa fracción varía enormemente según la prenda.

Las funciones que ya funcionan bien

De flatlay a modelo

Es la función estrella y la más madura. Se sube la prenda fotografiada en plano sobre fondo neutro y la plataforma la coloca sobre un cuerpo generado, respetando corte, estampado y logotipo. Plataformas como WearView anuncian resultados en torno a quince segundos por imagen. Para una tienda con cientos de referencias que hoy fotografía solo el producto sobre fondo blanco, esto convierte un archivo existente en un catálogo con modelo sin volver a convocar a nadie.

Funciona muy bien en camisería, punto, denim y prendas de estructura clara. Falla con más frecuencia de la que reconocen los materiales comerciales en tejidos técnicos, transparencias, plisados, bordados finos y cualquier cosa con brillo metálico. Ahí el modelo generativo interpreta en lugar de reproducir, y en moda interpretar un tejido es exactamente el error que un cliente no perdona.

Consistencia de identidad

La posibilidad de guardar un modelo y reutilizarlo temporada tras temporada es lo que ha convertido estas plataformas en infraestructura y no en juguete. Una marca puede construir un rostro propio, reconocible, que no envejece, no cambia de agencia y no sube de caché. Es una ventaja operativa enorme y, al mismo tiempo, el punto donde más incómoda se vuelve la conversación.

Vídeo desde la misma identidad

Varias plataformas encadenan ya la imagen fija con clips cortos generados desde el mismo modelo y la misma prenda. La calidad es suficiente para contenido social de alta rotación y claramente insuficiente para una campaña de marca. Ese umbral se mueve rápido, pero a día de hoy sigue ahí.

API y proceso por lotes

La parte menos vistosa y probablemente la más determinante. Suites como Claid orientan su propuesta a equipos que generan catálogo a volumen mediante API, integrada directamente en el sistema de gestión de producto. Cuando la generación de imagen deja de ser una pestaña del navegador y pasa a ser una llamada automática al dar de alta una referencia, el cambio ya no es creativo: es de arquitectura.

Casos de uso donde tiene sentido hoy

• Ampliar variantes de color. Se fotografía la prenda base con toda la calidad posible y se generan las demás colorways. Es el caso más seguro y de mejor retorno.
• Ampliar representación corporal. Mostrar la misma referencia en varios cuerpos y edades sin multiplicar el casting, algo que antes era una promesa presupuestariamente incómoda.
• Adaptar a mercados. Una campaña base con variaciones por país, generadas desde el mismo material.
• Alimentar el contenido social. Veinte variaciones de un anuncio para test A/B, imposibles de rodar una a una.
• Catálogos de temporada corta. Colecciones cápsula donde la vida útil de la imagen no justifica una producción completa.

Y un caso donde, en mi opinión, sigue sin tener sentido: la imagen que define cómo se percibe la marca. La portada, la campaña, el editorial. No por purismo, sino por una razón práctica: esas imágenes se juzgan por lo que tienen de particular, y los modelos generativos están entrenados precisamente para producir la media.

Los problemas de los que se habla menos

La entrada sigue siendo fotografía

Todas estas plataformas necesitan una captura real y bien resuelta de la prenda. Si el flatlay de partida tiene la luz plana, el color desviado o el tejido mal planchado, la salida generada heredará todos esos defectos amplificados. El trabajo no desaparece: se desplaza hacia arriba, a capturar bien la referencia. Es, francamente, la parte que más me tranquiliza y la que más veces tengo que explicar.

La fidelidad del producto es un riesgo legal

Un modelo generativo puede alterar sutilmente la posición de una costura, el grosor de un cuello o el tono exacto de un color. En moda, eso no es un matiz estético: es publicidad engañosa y devoluciones. Cualquier flujo serio necesita una validación humana comparando contra el producto físico antes de publicar, y ese control tiene un coste que rara vez aparece en las calculadoras de ahorro.

El etiquetado ya es obligatorio

Desde el 2 de agosto de 2026, el artículo 50 del Reglamento europeo de Inteligencia Artificial exige marcar de forma legible el contenido sintético que pueda confundirse con una fotografía real. Algunas plataformas —Rawshot entre ellas— incorporan credenciales C2PA en los metadatos, lo cual está muy bien y no basta: el marcado visible en la ficha de producto es responsabilidad de quien publica, no de quien genera. Ese detalle está pillando desprevenidas a bastantes marcas.

La homogeneización

Cuando ocho plataformas comparten fundamentos técnicos parecidos y los mismos catálogos de fondos y poses, el resultado agregado empieza a tener un aire de familia inconfundible. Ya se puede identificar a ojo. Para una marca que compite por diferenciación, parecerse al resto del sector es un coste, no un ahorro.

Qué esperar en los próximos años

Apuesto por tres movimientos. El primero es la integración silenciosa: estos estudios dejarán de ser destino y se convertirán en una función dentro del PIM, del Shopify o del DAM que la marca ya usa. Nadie dirá que «usa un estudio de IA», del mismo modo que hoy nadie dice que usa corrección de color.

El segundo es la separación de gamas. La generación de catálogo básico se comoditizará hasta ser casi gratuita, mientras que la imagen con intención —campaña, editorial, identidad— recuperará valor precisamente por contraste. El mercado intermedio, el del catálogo correcto y anodino producido a mano, es el que va a desaparecer.

Y el tercero es la trazabilidad como estándar comercial. Con el AI Act plenamente aplicable y las credenciales de contenido extendiéndose, poder demostrar el origen de una imagen pasará de ser un trámite regulatorio a un argumento de venta. Las marcas que hoy están montando bien ese registro se ahorrarán un susto en dos años.

Conclusión

Los estudios de IA no han eliminado la fotografía de producto: han eliminado su parte repetitiva, que era mucha y que nadie va a echar de menos. Lo que queda al otro lado es un oficio más concentrado, donde se dispara menos y se decide más, y donde la calidad de la captura inicial condiciona todo lo que ocurre después.

Para una marca que se lo esté planteando ahora mismo, mi recomendación es poco espectacular pero funciona: empezar por las variantes de color, medir de verdad qué porcentaje de lo generado es publicable, invertir la mitad de lo ahorrado en capturar mejor la referencia base, y montar el etiquetado desde el primer día en lugar de improvisarlo cuando lo pregunte alguien. La tecnología está madura. Lo que sigue escaseando es el criterio para decidir qué imagen merece existir.