La capacidad de procesar e interpretar texto, imágenes y vídeo de forma simultánea ha hecho de la Inteligencia Artificial multimodal una herramienta verdaderamente transformadora para las empresas. En el panorama empresarial de España y Europa, este enfoque gana terreno al facilitar el procesamiento de documentos complejos y la interpretación de datos datos visuales de los entornos corporativos. Además, la Inteligencia Artificial es capaz de automatizar ciertos flujos de trabajo multimedia con una precisión que era imposible lograr hace apenas unos años.
En este artículo examinaremos el estado actual de esta tecnología, sus aplicaciones prácticas en distintos sectores y los retos estratégicos que definirán su consolidación durante los próximos años.
Panorama actual de la IA multimodal en España y Europa
El interés por soluciones a problemas que requieren el uso de múltiples fuentes de datos ha impulsado el mercado de la IA multimodal en España en los últimos años, alcanzando un valor de más de 35 millones de euros en 2024. Esta tendencia también se comparte a nivel europeo, con iniciativas como el proyecto DVPS (Diversibus Viis Plurima Solvo), que, respaldado con 29 millones de euros por Horizonte Europa, avanza en el desarrollo de sistemas capaces de combinar lenguaje natural, visión y datos sensoriales. Sus aplicaciones se orientan, principalmente, a la creación de gemelos digitales destinados a mejorar la detección de enfermedades, aunque también se utilizan en la supervisión de procesos en entornos industriales y medioambientales.
Esta tendencia no se limita al continente europeo, y es que algunos proveedores de nube como Amazon han reforzado su apuesta por esta tecnología, haciendo más asequible su adopción en todo el mundo. En marzo de este mismo año, Amazon Web Services lanzó desde Zaragoza los servicios Amazon Bedrock y Amazon Nova, que ofrecen a las empresas acceso a modelos generativos de texto e imagen con plenas garantías de seguridad y privacidad. Esta iniciativa ha permitido que las organizaciones puedan hacer sus propios experimentos con IA multimodal, sin la necesidad de adquirir ni gestionar toda la infraestructura que se requiere, por lo que se acelera en gran medida en desarrollo de aplicaciones avanzadas que integran esta tecnología. Por su parte, al contar con distintos centros de datos distribuidos a lo largo del planeta, siempre es posible optar por la opción que más nos convenga, de forma que la latencia que sufren nuestras soluciones es siempre la mínima.
Aplicaciones empresariales para análisis de documentos complejos
En el entorno empresarial, la IA multimodal ya ha demostrado su capacidad de optimizar todos los procesos asociados a la gestión de documentos. La mayoría de herramientas en la nube integran OCR (Reconomiento Óptico de Caracteres) avanzado, que gracias a la Inteligencia Artificial, permiten extraer datos de facturas, contratos, y otras tantas clases de documentos. Además, muchas de estas herramientas son capaces también de detectar texto escrito a mano, aunque es una característica que aun debe evolucionar. También existen servicios que nos permiten procesar texto, imágenes y gráficos, todo ello en un único flujo de trabajo, por lo que tareas como la validación de pólizas o la clasificación de expedientes complejos se vuelve mucho más sencilla.
Incluso en empresas de menor tamaño encontramos proyectos como el asistente virtual “Celia”, creado en Valencia, que nos muestran cómo la tecnología puede convertir mensajes de voz o texto en presupuestos y facturas en formato PDF. Sin duda, esta capacidad de la Inteligencia Artificial multimodal de analizar documentos que contienen texto y elementos visuales resulta de gran ayuda a las organizaciones que buscan minimizar los errores humanos y liberar al personal para dedicarse a tareas de mayor valor dentro del negocio.
Interpretación de datos visuales en los entornos corporativos
Otra de las características que hace brillar a la IA multimodal es la interpretación visual, más aún en sectores donde los datos visuales resultan críticos. En el retail, por ejemplo, encontramos varias cadenas españolas que han implementado sistemas de visión artificial que combinan imágenes de los pasillos y datos de métricas asociadas a las ventas con el fin de obtener recomendaciones para la reposición de los productos. Algunos de estos sistemas son de utilidad para generar mapas de calor basados en la interacción de los clientes en las tiendas físicas, y que después pueden ser empleados para diseñar estrategias de colocación más eficientes.
La IA multimodal también tiene cabida dentro de las fábricas. En este tipo de instalaciones, es más común la preocupación por el mantenimiento de la maquinaria, y no tanto la colocación del material. La IA multimodal puede hacer uso de datos de grabaciones en las líneas de producción, las lecturas de tempetura y los registros que se tengan de vibración con el fin de alertas a los equipos de mantenimiento antes de que se produzca un fallo crítico debido a alguna anomalía. En este sentido, la capacidad de anticipación que ofrecen estas soluciones ha logrado reducir hasta en un 20% las paradas imprevistas en plantas piloto del sector de la automoción.
Alemania es uno de los países a nivel europeo que ya emplea sistemas encargados de analizar imágenes de drones y métricas de rendimiento en algunas empresas logísticas, con el objetivo de optimizar rutas de carga y prever cuellos de botella en la cadena de suministro.
Automatización de procesos multimedia y generación de contenidos
El papel de la Inteligencia Artificial multimodal en la generación de contenido ha cogido mucha fuerza estos últimos meses. Las grandes empresas están apostando por desarrollar la mejor solución y, en gran parte, suelen destacar aquellas que no están tan enfocadas al sector empresarial, sino al usuario final. No obstante, la mayoría de los nuevos avances también tienen potencial dentro de las empresas, ayudando a automatizar la producción y gestionar los contenidos. Actualmente, disponemos de herramientas dedicadas a generar transcripciones y resúmenes de grabaciones automáticos, así como otras enfocadas a la traducción de vídeos con clonación de voz, o la generación de gráficos a partir de informes de texto.
Para la gestión de proyectos creativos, de los que normalmente suelen dedicarse los equipos de marketing, es posible desarrollar soluciones que ofrezcan un entorno centralizado donde coordinar automatizaciones de vídeo y edición de imágenes, todo ello manteniendo la seguridad y escalabilidad de la aplicación. En este sentido, la IA multimodal no sustituye al equipo de marketing; es más bien una herramienta que les permite librarse de tareas repetitivas, como el ajuste de color o la inserción de logotipos. De esta forma, se libera tiempo para dedicarlo a la estrategia de negocio.
Retos técnicos y perspectivas a futuro
La principal barrera para la adopción de la IA multimodal reside en la infraestructura necesaria para su entrenamiento y despliegue. En España y Europa, los proyectos más avanzados dependen de clústeres de GPUs y de "fábricas de IA" como la del Barcelona Supercomputing Center, donde se invertirán más de 174 millones de euros para poner recursos de supercomputación a disposición de las empresas. También cabe destacar que, actualmente, existe una notable escasez de conjuntos de datos que combinen distintos tipos de información (asumiendo el material histórico empresarial), por lo que la integración de soluciones de IA multimodal en ciertos sectores puede verse algo limitada.
Con el fin de superar estos retos, están surgiendo alianzas público-privadas encaminadas a promover estándares de interoperabilidad y compartir bancos de datos, disponibles para todas las organizaciones. A nivel europeo, el programa InvestAI ha movilizado 20.000 millones de euros para triplicar la capacidad de los centros de datos y dar soporte a proyectos avanzados, por lo que se espera que, dentro de un par de años, más del 10% de las soluciones de IA generativa comerciales sean multimodales, haciendo de esta tecnología un pilar estratégico en la transformación digital de las empresas.
