La IA multimodal es la que entiende más de un tipo de cosa: no solo el texto que escribes, también la foto de una factura, una captura de pantalla o un PDF lleno de gráficos. Suena a detalle técnico y es de lo más útil en una oficina, porque media empresa vive en escaneos y fotos. Aquí va qué es la IA multimodal, ejemplos de oficina, cómo se hace con Claude, lo que hace mal y qué no subir.
Qué es la IA multimodal, explicada con una videollamada
Piensa en la diferencia entre una llamada y una videollamada. Por teléfono, si quieres que tu compañero vea un documento, se lo tienes que leer en voz alta. En videollamada, se lo enseñas y listo.
Con la inteligencia artificial pasa lo mismo. Una IA solo de texto es la llamada: si tienes una factura escaneada, primero tienes que copiarla a mano. Una IA multimodal es la videollamada: le pasas la foto y le preguntas por el importe.
«Multimodal» viene de modo, de tipo de información. Texto es un modo; imagen, otro; audio, otro. Una IA multimodal (o inteligencia artificial multimodal, si lo quieres con el nombre completo) maneja más de uno a la vez.
¿Y no era eso lo que ya hacían los programas de escanear? No del todo, y ahí está lo interesante. Un programa de escaneo te devuelve las letras de la factura. Una IA multimodal entiende lo que está mirando: te puede decir que el importe no cuadra con el albarán que le pasaste antes.
Ejemplos de IA multimodal en una oficina
Donde más rinde es en todo lo que hoy transcribes a mano o miras con lupa. Algunos ejemplos que puedes probar esta semana:
| Le pasas | Y le pides |
|---|---|
| La foto de una factura o un albarán | Proveedor, fecha, base, IVA y total, en una lista |
| Un contrato escaneado | Las cláusulas que te obligan a algo, con su página |
| Un gráfico de un informe | Qué se ve aquí, en tres frases |
| La captura de un mensaje de error | Qué está fallando y qué pruebo primero |
| La foto de la pizarra tras una reunión | Los acuerdos, con responsable y fecha |
| Una tabla que solo tienes en imagen | Pásala a columnas para pegarla en Excel |
La de la pizarra es de las que más gustan a quien la descubre: se acabó copiar lo que alguien garabateó con prisa. El paso siguiente, convertir eso en un acta decente, está en actas de reunión con IA. Y qué hacer con la tabla una vez en columnas, en analizar Excel con IA.
Cómo se hace con Claude: imágenes y PDF
En Claude, subes la imagen como cualquier archivo o la arrastras a la conversación. Admite JPEG, PNG, GIF y WebP, hasta veinte imágenes por mensaje y 10 MB por imagen en claude.ai, según la documentación de Anthropic sobre visión (consultada el 28 de septiembre de 2026).
Un consejo de esa misma documentación: funciona mejor si la imagen va antes que la pregunta. Primero la factura, después lo que quieres saber de ella.
Con un PDF pasa algo parecido. Claude convierte cada página en imagen y además extrae su texto, así que ve las palabras y también los gráficos y las tablas, como explica la documentación sobre PDF. Un informe de proveedor con veinte gráficos se entiende entero sin transcribir nada.
El prompt que usamos para una factura, para copiar tal cual:
Extrae de esta factura: proveedor, NIF, fecha, base imponible, IVA y total, y una línea por concepto. Si un número no se lee con claridad, escribe [DUDOSO] al lado en vez de interpretarlo. No calcules nada que no esté escrito.
«No calcules nada que no esté escrito» es la instrucción que más importa. Sin ella, si no ve el total, lo puede sacar sumando los conceptos. Y ese es el error que más tarde se descubre, porque el número parece correcto.
Lo que hace mal
¿Entonces ya puedes dejar de revisar facturas? No. Te contamos por qué, porque los fallos tienen patrón:
Los números borrosos. Leer un importe mal escaneado o una columna de cifras muy juntas es donde más se equivoca. Y no siempre avisa: te devuelve una cifra con total aplomo. Es el mismo mecanismo de las alucinaciones de la IA, aplicado a lo que cree ver.
Las fotos malas. Anthropic avisa de que se equivoca más con imágenes de baja calidad, giradas o muy pequeñas. Una foto recta y con luz cambia el resultado más que cualquier prompt.
Contar. Cuántas cajas hay en la foto del almacén te lo dirá aproximado, no exacto, sobre todo si hay muchas y pequeñas. Lo dice la documentación tal cual.
Lo que no le pides. No sabe qué es importante en tu empresa. Si no le dices que necesitas el número de pedido, te dará un resumen general de la factura y el número de pedido se quedará fuera.
Hay dos cosas más que no hace, a propósito o por límite: no dice quién es la persona que sale en una foto, y no sabe distinguir si una imagen está hecha con IA.
¿Cómo se usa entonces sin sustos? Con la misma regla que el texto, que aquí pesa más porque las cifras dan sensación de exactitud:
- Lo que extrae de una imagen es un borrador. Si va a contabilidad, alguien lo compara con el original.
- Pídele que marque lo dudoso. Lo de [DUDOSO] funciona: cuando se lo pides, suele marcar en vez de interpretar.
- De una en una para lo que importa. Las veinte de golpe, para lo que solo necesita un vistazo.
- Foto recta, con luz y de cerca. Unos segundos más al hacerla te ahorran un buen rato al revisar.
Los datos que van en la foto
Una factura lleva el nombre y el NIF de un proveedor. Un contrato escaneado, datos de personas. Una captura de tu programa de gestión puede llevar clientes en la pantalla (y casi nunca te fijas en la esquina de la captura).
Subir una imagen es igual de delicado que pegar texto, y se olvida más porque no lo estás escribiendo tú. Antes de convertirlo en costumbre, mira datos confidenciales en la IA. La versión corta: con cuenta de empresa, sí; con cuenta personal, solo lo que no lleve datos de nadie.
Entender imágenes no es crearlas
Son dos capacidades distintas, y conviene no mezclarlas. Claude entiende las imágenes que le enseñas, pero no crea ni edita imágenes: su documentación lo dice sin rodeos. Si necesitas una ilustración para una presentación, ChatGPT o Gemini sí lo hacen. La comparación completa, en Claude o ChatGPT.
Crear imágenes es lo que sale en los titulares. Para el trabajo de oficina, lo que de verdad ahorra horas es lo otro: que entienda la factura, el gráfico y la pizarra que ya tienes.
Ahí recomendamos Claude por un motivo comprobable: lee el PDF entero, gráficos incluidos. Con un límite que también se nombra: tiene tope de uso incluso pagando, y con muchas imágenes se nota antes.
Lo que saca de una foto es un borrador, no un dato verificado. Una foto recta y con luz cambia el resultado más que cualquier prompt.
Por dónde empezar
Coge la próxima foto o captura que ibas a transcribir a mano y pásasela con el prompt de la factura, adaptado. 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: «extrae proveedor, base, IVA y total» rinde muchísimo más que «dime qué pone». La lógica completa está en cómo escribir un buen prompt.
Si quieres practicarlo con ejercicios sobre tareas de oficina, sin programar nada, es lo que se hace en Claude para principiantes: cinco módulos, 22 lecciones, 49 €. Para formar a un equipo, desde la página de empresas.
Preguntas frecuentes
¿Qué es la IA multimodal?
Es la inteligencia artificial que entiende más de un tipo de información a la vez: texto, imágenes y, en algunas herramientas, audio o vídeo. Puedes enseñarle la foto de un documento y preguntarle por él en vez de copiarlo a mano.
¿Qué ejemplos de IA multimodal hay?
En una oficina: sacar los datos de una factura escaneada, explicar un gráfico de un informe, pasar a acta la foto de una pizarra o convertir una tabla en imagen en columnas para Excel. Claude, ChatGPT y Gemini son multimodales.
¿Claude puede leer imágenes y PDF?
Sí. Admite JPEG, PNG, GIF y WebP, y en los PDF lee el texto y también los gráficos y tablas de cada página. Se equivoca más con fotos borrosas, giradas o muy pequeñas, sobre todo en las cifras.
¿Puede Claude crear imágenes?
No. Entiende las imágenes que le enseñas, pero no las crea ni las edita, según la documentación de Anthropic. Para crear imágenes hacen falta otras herramientas, como ChatGPT o Gemini.
¿Qué diferencia hay entre IA multimodal e IA generativa?
La IA generativa es la que crea contenido nuevo; la multimodal es la que maneja varios tipos de información. Se solapan: Claude es generativa porque escribe y multimodal porque también entiende imágenes y PDF.