ChatGPT
Perplexity
Claude
Gemini
Ya nadie confía en una imagen perfecta. Desde hace un tiempo, el discurso detrás de cada nuevo modelo de imagen y video ha sido el mismo: más nítido, más limpio, más fotorrealista, menos defectuoso. La resolución sigue subiendo, las caras se mantienen coherentes en más escenas que antes y la iluminación se ve correcta de una forma que no lo hacía hace dos años. Y en medio de todo ese avance pasó algo extraño: la perfección técnica dejó de ser el gran alarde.
Los fotógrafos se toparon con esta misma tensión antes que los modelos generativos, y la dirección que tomaron es el anticipo más claro de hacia dónde se dirigían la generación de imágenes y video. Alex Cooke, de Fstoppers, ha estado seguir un cambio among working photographers away from flawless retouching and toward images that keep their rough edges, things like a missed focus point, an unretouched tear, a hand slightly blurred mid-motion. His argument is that AI didn't just get good at photography, it got good at the specific kind of photography that used to signal skill. Once software can smooth skin, fix a horizon, and match color across a hundred images in the time it takes to make coffee, flawless execution stops signaling that a professional made something and starts signaling that it might have been generated instead. Cooke's point isn't that photographers should get sloppy; it's that the thing a viewer used to read as competence now reads as sospechoso, mientras que lo que antes se leía como un error ahora se lee como prueba alguien realmente estuvo ahí.
Algo parecido está pasando dentro de la propia generación de imágenes con IA, un nivel más arriba: a medida que los modelos mejoran para renderizar la versión objetivamente correcta de un rostro o una escena, también mejoran para no parecerse a nada en particular. Esa es esa cualidad específica, vidriosa y demasiado simétrica que la gente empezó a llamar AI slop apenas la ve. Dominica Baird, directora del departamento del programa de negocios de belleza y fragancias de SCAD, señaló que cuando se inventó la fotografía, los pintores pasaron un tiempo tratando de superar en realismo a la cámara antes de rendirse en esa lucha. En cambio, se movieron hacia la abstracción, el simbolismo y la expresión: hacia todo lo que una cámara no podía hacer. Ese es más o menos el mismo cambio que ocurre ahora, un peldaño más arriba, mientras la IA absorbe lo "técnicamente correcto" y el oficio migra hacia lo específico, lo elegido, esa cosa ligeramente imperfecta que un modelo no generaría por sí solo a menos que se lo pidieras.
Lo que realmente ocurre debajo de la estética tiene menos que ver con cómo se ve algo y más con lo que demuestra. Una imagen con un encuadre un poco desalineado, un grano, un ritmo que se extiende medio segundo de más se lee como el resultado de alguien tomando decisiones: una pasada, luego otra pasada, la decisión de dejar algo en lugar de suavizarlo. El slop no se siente como slop porque sea feo. Mucho slop es técnicamente impecable. Se siente como relleno genérico porque parece la salida de un clic, una sola generación, sin importar con cuánto cuidado alguien haya escrito el prompt detrás. La imperfección es lo que le dice al espectador que hubo más de una decisión entre la idea y lo que tiene frente a él, y esa brecha, entre una sola generación y una trabajada, es la verdadera diferencia entre un trabajo que gana unos segundos de la atención de alguien y trabajo que no lo hace.
El mismo mecanismo también empieza a aparecer en video, solo que un paso por detrás de donde ya llegaron las imágenes. La fotografía y la generación de imágenes lo resolvieron primero, y el video todavía está encontrando su ritmo, pero avanza tan rápido que este año el mismo lenguaje ya aparece en la cobertura de diseño de movimiento. El propio informe de tendencias 2026 de Envato menciona la "autenticidad a través de la imperfección" como uno de los cambios que están definiendo el video ahora mismo: cámara en mano con movimiento inestable en lugar de un gimbal suave, cortes crudos dejados en lugar de recortados, pausas naturales y ruido de fondo mantenidos en la mezcla, y grabaciones POV con dispositivos portátiles hechas "sin rigs, sin montajes". La lectura de Envato sobre por qué pasa esto es directa: "la imperfección se ha convertido en su propia estética. Transmite confianza, cercanía y autenticidad".
Incluso las empresas que crean herramientas de video con IA llegaron a la misma solución desde adentro. Hridaye, director creativo de invideo, describió su proceso como agregar un toque de desenfoque y una capa de grano hasta que un clip generado se parezca más a una película de acción real, y el razonamiento coincide casi por completo con el argumento de Cooke sobre la fotografía. Como lo explica invideo, los cuadros de IA "no tienen ruido de sensor, ni estructura química, ni imperfección orgánica", y esa ausencia es "lo que se lee como 'falso' antes de que puedas explicar por qué".
Sin embargo, nada de esto funciona como una simple casilla que marcar, y vale la pena ser honestos sobre dónde falla la idea. La estratega de comunicación Shaunta Garth planteó el caso contrario sobre las marcas que fabrican imperfección a propósito: en el momento en que lo tosco se vuelve una fórmula, aplicada porque un informe de tendencias lo dijo, deja de ser evidencia de una decisión y se convierte en otro preset más, tan vacío como la suavidad que reemplazó. Una capa de grano añadida sobre una primera generación por lo demás intacta sigue siendo una salida de un solo paso, solo que con un filtro distinto, ya que la imperfección en sí fue nunca lo que realmente importa. Lo fue la iteración detrás.
Which is the actual craft lesson, for images and video both: the goal isn't imperfection for its own sake, it's a body of decisions a model wouldn't have made on its own. Describe the conditions of capture instead of the result, not "a beautiful portrait" but the specific lens, the specific light, the specific flaw you want in the frame, and do the same with motion: not "cinematic camera movement" but the sway of a hand actually holding something, the pause before someone speaks, the cut that runs a beat long because that's how it happened. Push past the first clean output. The second or third pass, where you start pulling the piece away from its most polished default, is usually where the real decisions live, and that's true whether you're working in GPT Image 2 and Nano Banana Pro or Kling 3.0 and Seedance 2.0.
Nada de esto es una regla sobre cómo debe verse el trabajo con IA. Buena parte debería ser limpio, brillante y preciso, y esa también es una decisión válida, siempre que se tome de la misma manera: a propósito, después de varias pasadas, no en el primer intento. El punto nunca fue que lo limpio esté mal. Es que lo limpio ya no prueba nada, porque un modelo puede entregártelo sin que hagas nada. Las decisiones que aún requieren tú, esos que una sola generación no produce a menos que vuelvas a insistir en ellos, son donde el trabajo empieza a verse como algo propio de alguien, y donde el público decide si es vale la pena verlo.