Multimodal significa que la IA no solo lee texto: también mira imágenes. Suena a curiosidad técnica y resulta ser de lo más útil que hay en una oficina, porque media empresa vive en documentos escaneados, capturas de pantalla y fotos de papeles.
Qué cambia
Un modelo solo de texto necesita que le pegues las palabras. Si tienes una factura escaneada, un gráfico o una captura, primero hay que transcribirlo a mano.
Uno multimodal acepta la imagen directamente. Le pasas la foto de la factura y le preguntas por el importe.
El salto no es que reconozca letras — eso ya lo hacían los programas de escaneo desde hace décadas. Es que entiende lo que está mirando.
Un lector de escaneo te devuelve el texto de la factura. Uno multimodal te dice que el importe no cuadra con el albarán que le pasaste antes.
Para qué sirve de verdad
| Le pasas | Y le pides |
|---|---|
| Una factura o un albarán | Extrae proveedor, importe, fecha y conceptos |
| Un contrato escaneado | Resume las cláusulas que me obligan a algo |
| Un gráfico de un informe | Explícame qué se ve aquí en tres frases |
| Una captura de un error | Qué está fallando y qué pruebo primero |
| Una foto de una pizarra | Pasa esto a acta con acuerdos y responsables |
| Una tabla en imagen | Pásala a texto en columnas |
La foto de la pizarra al terminar una reunión es de las que más gusta a quien la descubre: se acabó copiar a mano lo que alguien garabateó.
Lo que hace mal
Y esto conviene saberlo antes de confiarle una factura:
Los números se le dan peor que las palabras. Leer un importe borroso o una columna de cifras muy juntas es donde más se equivoca. Y no avisa: te devuelve una cifra con total aplomo. Es el mismo mecanismo de siempre aplicado a lo que cree ver.
La letra manuscrita depende mucho. Con letra clara va bien; con letra de médico, inventa.
Un escaneo torcido o con poca luz multiplica los errores. Una foto recta y bien iluminada cambia el resultado más que cualquier prompt.
No sabe qué es importante en tu empresa. Extrae lo que le pidas; si no le dices que el número de pedido es lo que necesitas, te dará un resumen general.
La regla para usarlo sin sustos
La misma que con todo lo demás, pero aquí es más importante porque las cifras dan sensación de exactitud:
- Extraer datos de una imagen es un borrador, no un dato verificado. Si va a contabilidad, alguien lo comprueba contra el original.
- Pídele que marque lo dudoso. «Si un número no se lee con claridad, dilo en vez de interpretarlo» funciona bastante bien.
- Cuantas más imágenes de golpe, más se degrada. Mejor de una en una para lo que importe.
Y la parte incómoda
Una factura lleva el nombre y el NIF de un proveedor. Un contrato escaneado lleva datos de personas. Una captura de tu sistema puede llevar datos de clientes en la pantalla.
Subir imágenes es exactamente igual de delicado que pegar texto, y se olvida más porque no lo estás escribiendo. Antes de convertirlo en costumbre, mira qué se puede meter en la IA y qué no.
Por dónde empezar
Coge la próxima foto o captura que ibas a transcribir a mano y pásasela. Es de las cosas que se entienden mejor probándolas una vez que leyendo sobre ellas.
Y como siempre, el resultado depende de lo concreto que seas al pedir: «extrae proveedor, importe sin IVA, IVA y total, en una línea por concepto» rinde muchísimo más que «dime qué pone». La lógica completa está en cómo escribir un buen prompt, y se practica sobre tareas reales en Claude para principiantes.
Preguntas frecuentes
¿Qué significa que una IA sea multimodal?
Que maneja más de un tipo de contenido: además de texto, entiende imágenes, y en algunos casos audio o vídeo. Puedes enseñarle la foto de un documento y preguntarle por él en lugar de transcribirlo.
¿Para qué sirve en el trabajo de oficina?
Sobre todo para dejar de transcribir: capturas de pantalla, fotos de facturas o albaranes, gráficos de un informe. Lo que antes había que pasar a texto a mano ahora se pega tal cual.
¿Lee bien un documento escaneado?
Con buena calidad, sí; con una foto torcida y a media luz, se inventa cosas. Y en las cifras es donde más duele: conviene comprobar los números aunque el texto parezca correcto.
¿Puede generar imágenes?
Entender imágenes y crearlas son capacidades distintas y no todas las herramientas hacen las dos. Para trabajo de oficina, la que de verdad rinde es la de entender lo que le enseñas.