La capacidad de generar videos realistas a partir de texto ha avanzado a un ritmo vertiginoso. Modelos como Veo-3, Sora-2 o el chino Wan2.2 producen secuencias visualmente impecables. Pero una pregunta incómoda empieza a ocupar a los investigadores: ¿entienden realmente lo que crean?
Varios equipos académicos y de la industria han comenzado a poner a prueba el llamado “razonamiento en cadena de fotogramas” (Chain-of-Frame, o CoF). La idea es que, al generar fotograma tras fotograma, el modelo debería ir resolviendo problemas paso a paso, de manera análoga a cómo un modelo de lenguaje razona con palabras. Sin embargo, un conjunto de estudios presentados en los últimos meses muestra que la promesa aún está lejos de cumplirse.
La brecha entre ver y entender
El trabajo más amplio, MME-CoF-Pro (marzo de 2026), evaluó siete modelos generativos de video —entre ellos Sora-2, Veo-3.1 y Kling-v2.1— en 16 categorías de razonamiento que van desde la percepción visual hasta la dinámica causal. El hallazgo principal desmonta cualquier triunfalismo: la calidad de generación (estabilidad visual, consistencia temporal) no se correlaciona con la coherencia del razonamiento. Un modelo obtuvo un 65,1 % en calidad de generación, pero apenas un 13,8 % en la métrica de razonamiento diseñada por los autores. Es decir, puede producir un video de una manzana cayendo, pero si se le pide que muestre los pasos intermedios de la colisión y el rebote, a menudo omite la física o “teletransporta” objetos.
Por su parte, el equipo de OpenCoF (ByteDance y la Universidad China de Hong Kong) propuso una solución para mejorar esa carencia. Crearon un conjunto de datos de más de 17.000 videos de razonamiento, abarcando 11 tipos de tareas —desde resolver sudokus hasta predecir movimientos de robots— y afinaron el modelo Wan2.2. El resultado, Wan-CoF, mejoró significativamente en cuatro benchmarks externos. Pero los investigadores reconocen que aún falta: los modelos necesitan mecanismos explícitos —como “tokens de razonamiento” visual y textual— para organizar los pasos intermedios, algo que la arquitectura actual no contempla de serie.
Benchmarks que miden errores, no aciertos
Paralelamente, V-ReasonBench, presentado en noviembre de 2025, diseñó un conjunto de pruebas con 326 casos donde la respuesta final se puede verificar de forma automática. Al evaluar seis modelos líderes —Sora-2, Veo-3.1, Kling-2.5, Seedance, Vidu-Q2 y Hailuo-02— encontraron que ningún modelo supera el 40 % de aciertos en razonamiento espacial y que, en tareas de dinámica física, los mejores apenas alcanzan el 33 %. Además, observaron que alargar la duración del video no mejora el rendimiento; al contrario, los errores se acumulan.
Otro estudio, centrado en el entendimiento de video en modelos multimodales (Chain-of-Frames, CVPR 2026), mostró que incluir referencias explícitas a los fotogramas clave en la cadena de razonamiento mejora la precisión, pero que incluso los mejores modelos —como InternVL3-8B— siguen siendo frágiles cuando la tarea exige seguir reglas geométricas o causales a largo plazo.
¿Qué significa esto para América Latina?
Para las empresas latinoamericanas que ya exploran o están adoptando generación de video con IA —en ámbitos como atención al cliente con avatares, contenido educativo automatizado, simulación de procesos industriales o campañas publicitarias— la lección es práctica. Un video de producto que muestra un ensamblaje puede parecer impecable, pero si el modelo no ha comprendido la secuencia lógica de pasos, corre el riesgo de generar instrucciones físicamente imposibles o engañosas.
En sectores como la logística o la manufactura, donde se empiezan a usar modelos generativos para simular layouts de almacenes o flujos de trabajo, confiar ciegamente en la salida visual puede llevar a decisiones operativas costosas. La región, además, suele carecer de equipos internos de validación de IA; muchas pymes dependen de proveedores internacionales. Un ejecutivo chileno que implemente un sistema de entrenamiento de operarios basado en videos generados debe saber que la precisión del razonamiento —no solo el realismo visual— es el verdadero indicador de madurez.
Por otro lado, los investigadores coinciden en que el camino correcto pasa por entrenar a los modelos con datos diversos de razonamiento paso a paso, una tarea costosa pero que en el mediano plazo podría democratizarse. Proyectos como OpenCoF son de código abierto, lo que abre la puerta a que equipos latinoamericanos contribuyan con datos locales —por ejemplo, escenarios de tránsito urbano en Lima o cadenas de suministro agrícola— para adaptar estos modelos a realidades regionales.
Cierre reflexivo
La inteligencia artificial generativa de video se encuentra en un punto similar al de los modelos de lenguaje hace un par de años: produce con fluidez, pero razona con tropiezos. Para quienes toman decisiones de negocio en América Latina, la pregunta no es si estas herramientas serán útiles, sino si estamos dispuestos a diseñar procesos que revisen críticamente sus resultados. El realismo visual seduce, pero la verdadera confianza se construye sobre la lógica que lo sustenta.
