Por qué los vídeos generados por IA aún están muy lejos de ser cine de forma automática

El salto del clip a la escena no es un paso gradual

La calidad de imagen ha avanzado enormemente, eso es indiscutible. OpenAI describe Sora 2 como un “big leap forward in controllability” capaz de seguir “intricate instructions spanning multiple shots” “while accurately persisting world state” (OpenAI, “Sora 2 is here”). En su informe técnico, Google DeepMind atribuye incluso a su modelo un “bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles” (Veo 3 Technical Report). Quien ve estos clips por primera vez puede tener fácilmente la impresión de que el arte de hacer cine ya está en gran medida resuelto.

Pero es precisamente esa impresión la que induce a error. Una película no es una sucesión de bellas imágenes sueltas, sino una cadena de decisiones controladas que deben encajar a lo largo de decenas de planos, escenas y fases de producción. Un personaje tiene que ser el mismo personaje en el plano siguiente, la mirada debe apuntar en la dirección correcta para que funcione un plano/contraplano, y un objeto de atrezo no puede desaparecer entre un plano general y un primer plano. Estas exigencias parecen triviales, pero son el auténtico núcleo del oficio, y es justo aquí donde los modelos generativos chocan con un umbral más alto que la mera calidad de imagen.

Se pueden distinguir cinco niveles que a menudo se confunden: el impresionante clip de demostración, la escena cinematográfica controlable, el proceso de producción repetible, la película completa y la serie narrada a largo plazo. Cada uno impone exigencias más estrictas de coherencia y control que el anterior; un modelo que domina el primero con brillantez no dice casi nada sobre el quinto.

La continuidad es la verdadera prueba, no la resolución

El avance en coherencia es real y merece reconocimiento. Runway promociona Gen-4 por generar “consistent characters, locations and objects across scenes”, y además “with just a single reference image of your characters” (Runway, “Introducing Runway Gen-4”). El condicionamiento por referencia y por personaje ha transformado el campo: se puede fijar un personaje y volver a evocarlo desde distintas perspectivas. The Verge resume el anuncio con sobriedad: Gen-4 debería ofrecer “enhanced ‘continuity and control’”, mientras que los vídeos de IA “often face challenges in sustaining coherent storytelling” (The Verge).

La investigación, sin embargo, muestra hasta qué punto está arraigado el problema. Una revisión reciente sobre control señala que “text prompts alone are often insufficient to express complex, multi-modal, and fine-grained user requirements”, y por eso se investigan señales adicionales como el movimiento de cámara, los mapas de profundidad y la pose corporal (Ma et al., “Controllable Video Generation: A Survey”). Un segundo estudio sobre coherencia espaciotemporal nombra abiertamente las clases de error típicas: “subject swapping”, “object teleportation”, “unnatural jumping”. Y para los formatos largos: “Existing generation models typically struggle to effectively capture such long-range dependencies, lacking the dynamic modeling and spatiotemporal memory capabilities required for complex and extended-duration relationships” (Survey: Spatiotemporal Consistency in Video Generation).

Las exigencias se vuelven concretas en cuanto se miran los detalles. La continuidad de vestuario y atrezo exige que un objeto permanezca exactamente igual entre tomas, pero el estudio sobre coherencia enumera “subject swapping” y “object teleportation” como errores típicos (Survey: Spatiotemporal Consistency in Video Generation). En cuanto al movimiento corporal y la anatomía, según el proveedor Sora 2 es “more physically accurate” y hace que un lanzamiento fallido rebote en el tablero en lugar de teletransportarse, aunque admite ser “far from perfect” (OpenAI, “Sora 2 is here”); la investigación exige aquí que la “motion trajectory … conforms to physical laws” (Survey: Spatiotemporal Consistency in Video Generation). Para las escenas de diálogo, según sus proveedores, Sora 2 y Movie Gen ofrecen audio nativo y sincronizado; para Sora 2, OpenAI menciona expresamente “synchronized dialogue and sound effects”, lo que mejora notablemente la sincronía labial (OpenAI; Meta, “Movie Gen”). Otra cosa es si la énfasis, el ritmo y el matiz emocional de una línea pueden dirigirse con precisión: los informes de los modelos documentan la sincronía, no el control fino de la interpretación vocal. El límite se aprecia con más claridad en la sutileza emocional y en las decisiones actorales controlables: en “Here”, los actores reales sostuvieron “every single one of the character performance moments”, y el intento con dobles fracasó porque “it wasn't the soul of the actor that was there” (befores & afters, “‘Here’: A test with Tom Hanks”).

A esto se suma la dimensión del lenguaje cinematográfico, que rara vez se tiene en cuenta. Cuando el informe de Veo 3 atribuye al modelo un “bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles” (Veo 3 Technical Report), ese es justamente el punto: los cortes o ángulos dramáticos frecuentes no son todavía una dirección precisa. El plano/contraplano, el raccord de acción, el eje de acción, las miradas limpias y el ritmo de una secuencia viven de una cobertura controlable y de planos repetibles, no de atractivos cortes aleatorios. Un generador que elige ángulos bonitos no sustituye, por tanto, a una dirección que mantiene el mismo ángulo de forma consciente y reproducible a lo largo de varios planos.

Eso es exactamente lo que separa entre sí las categorías técnicas. El texto a vídeo genera a partir de una descripción, la imagen a vídeo anima una imagen inicial, el vídeo a vídeo transforma material existente, los world models arrastran estados a lo largo del tiempo, la shot extension prolonga clips, y los flujos clásicos de VFX y composición siguen siendo el marco en el que los elementos generados se ensamblan de forma controlada y jurídicamente segura. Generative Extend de Adobe, por ejemplo, prolonga una toma “up to two seconds for video and ten seconds for audio” y etiqueta siempre las imágenes generadas “so you know exactly where the original footage ends and created frames begin” (Adobe, “Generative Extend”). Es una herramienta de montaje precisa, y a la vez un recordatorio de que aquí hablamos de segundos, no de escenas. También Movie Gen de Meta documenta para su modelo más grande “a generated video of 16 seconds at 16 frames-per-second” en “1080p HD” con “synchronized audio” (Meta, “Movie Gen”). Impresionante, pero un largometraje se compone de miles de piezas así, que deben encajar todas entre sí.

Un ejemplo real lo muestra: la IA desplaza el trabajo, no lo sustituye

Quien quiera creer que la IA le quita el trabajo al set debería estudiar la producción de “Here”, expresamente como ejemplo híbrido de aprendizaje automático y VFX clásico para la edición de la interpretación, no como una película generada mediante texto a vídeo. Para la película de Robert Zemeckis, Metaphysic y el supervisor de VFX Kevin Baillie se encargaron de “53-character minutes of full-face replacement” en cuatro protagonistas, en parte en planos “up to four minutes” de duración (befores & afters, “‘Here’: A test with Tom Hanks”). El CGI clásico no era una opción: “It was obvious that there was no way we could use traditional CGI methods to do this”, según Baillie: demasiado caro, demasiado lento, con riesgo del valle inquietante.

El punto decisivo es cuánto trabajo manual especializado requirió la IA. Para cada actor se entrenaron varias redes neuronales con conjuntos de datos curados – Tom Hanks “at 18, at 30, at 45” –, y los ingenieros tuvieron que combatir activamente el “identity leak” para que no apareciera “Tom's brother or cousin”. Los ejes de mirada también fueron un tema recurrente, porque las redes tendían a mirar “magnetically” a la cámara; casos límite como un beso hubo que “backstopped” con trucos clásicos. La conclusión de Baillie es clara: “All these limitations of the AI tools, they need traditional visual effects teams who know how to do this stuff to backstop them and help them succeed” (befores & afters).

Pero, sobre todo, la interpretación siguió siendo humana. Wired y Variety documentan lo esencial: un sistema en tiempo real en dos monitores permitía a los actores revisar y ajustar de inmediato su interpretación rejuvenecida, una herramienta para creativos, no un sustituto de ellos (Wired, “The $50 Million Movie ‘Here’”; Variety). “Here” demuestra que la IA está llegando a la producción, y cuánto esfuerzo iterativo y altamente especializado sigue siendo necesario para que un resultado se sostenga.

Contraargumentos, límites y riesgos

Cabe objetar con razón que los límites se han desplazado en 2025/2026, y es cierto. Para la serie “El Eternauta”, Netflix empleó por primera vez IA generativa en una producción original; según el codirector ejecutivo Ted Sarandos, la secuencia de VFX del derrumbe de un edificio se creó “10 times faster than it could have been completed with traditional VFX tools and workflows” (The Guardian). Esa cifra es una afirmación de la propia empresa y se refiere a una única secuencia. Significativo es también cómo se logró: la unidad Eyeline de Netflix, según su propio relato, no utilizó tecnología de modelos propia, sino “commercially available video diffusion models under enterprise licenses”, integrados en un pipeline clásico de VFX (TheWrap).

La imagen de los festivales también engaña con facilidad. El AI Film Festival de Runway creció de “merely 300 submissions” en 2024 a “6,000 entries” en 2025, y “Total Pixel Space” de Jacob Adler ganó el Grand Prix (The Hollywood Reporter; Runway AIFF Screening Room). Pero los trabajos mostrados eran “varying in quality”, a menudo “dream-like, experimental”, marcados por “constraints on sound and the portrayal of real people” (The Hollywood Reporter).

Quedan los límites duros. Controlabilidad no es lo mismo que control: incluso un modelo anunciado como “more controllable” no sigue las indicaciones a la perfección, y las instrucciones finas pueden desviarse; la propia OpenAI admite para Sora 2 que es “far from perfect” y comete “plenty of mistakes” (OpenAI, “Sora 2 is here”). El informe de Veo 3 menciona “small hallucinations that mark videos as clearly fake” (Veo 3 Technical Report). La editabilidad, el control de versiones y la reproducibilidad, vitales para cualquier producción, apenas están presentes en los generadores puros; “Here” solo los resolvió con herramientas de Nuke construidas a medida y “neural animators”. Y la utilizabilidad jurídica varía mucho: Adobe presume de estar “only trained on content where Adobe has permission … never on Adobe users' content” (Adobe), mientras que el modelo anterior de Runway fue criticado por entrenarse con “scraped YouTube videos and pirated films” (The Verge). Que OpenAI, según su propia página, anuncie que “as of April 26, 2026, the Sora product is no longer available” afecta al producto de consumo (la app de Sora) y no necesariamente al modelo subyacente o a la disponibilidad de su API; aun así, recuerda la escasa seguridad de producción que ofrece un producto de consumo (OpenAI).

Conclusión: el espectáculo es una capacidad, el control es otra

El balance honesto no es ni euforia ni rechazo. Las imágenes de referencia, el control de cámara, las pistas de sonido nativas y las herramientas de shot extension han convertido curiosidades parpadeantes en serios bloques de producción. Ahorran tiempo, abren presupuestos y amplian lo narrable – “El Eternauta” y “Here” lo muestran de forma concreta. Pero no desplazan el umbral real: una buena película no nace donde una imagen es bella, sino donde mil decisiones a lo largo de planos, escenas y meses encajan entre sí y siguen siendo repetibles. Justo eso – coherencia de personaje, ejes de mirada, raccord, interpretación controlable, estados de versión limpios – es el umbral más alto que los modelos generativos aún no cruzan por sí solos. Por eso la pregunta interesante para los próximos años no es si la IA hace vídeos bonitos. Eso hace tiempo que puede. La pregunta es si aprende a narrar de forma controlada. Hasta entonces vale: un clip impresionante es una promesa, no una película.