¿Qué es la IA multimodal?
“Multimodal” significa que trabaja con varios modos o formatos de información. Una IA multimodal no solo lee y escribe texto: también puede mirar una foto, escuchar un audio, analizar un video o crear imágenes.
Es como la diferencia entre comunicarte solo por mensajes de texto y conversar en persona, donde además de palabras ves gestos, escuchas el tono y puedes mostrar objetos. La IA multimodal se acerca más a esa forma completa de comunicarse.
Esto abre muchas posibilidades prácticas: sacarle una foto a una boleta y pedir que la ordene en una planilla, mostrarle un gráfico y pedir una explicación, o hablarle en voz alta y que responda también con voz.
Por ejemplo, un dueño de un taller puede fotografiar una pieza dañada y preguntarle a la IA qué podría ser y qué repuesto buscar. La IA analiza la imagen y responde con texto, combinando ambos formatos.
Te adjunto la foto de una factura. Extrae la fecha, el proveedor, el total y el detalle de productos en una tabla.
