Guías paso a paso sobre prompts, estilos y cómo sacar el máximo partido a la generación de imágenes con IA.
Leer las guías
Las etiquetas de divulgación de contenido de IA de YouTube fueron creadas para señalar rostros sintéticos y voces clonadas, pero Hank Green ha identificado una categoría de contenido asistido por IA que las etiquetas estructuralmente no pueden detectar, y se sitúa en el núcleo de cómo los creadores construyen confianza con sus audiencias.
El sistema de divulgación actual de YouTube pide a los creadores que señalen el contenido que constituye «medios alterados o sintéticos realistas», como los intercambios de rostros al estilo deepfake, la clonación de voz con IA sobre imágenes reales o las escenas completamente generadas presentadas como reales. Es una categoría significativa. Pero describe el resultado, no el proceso.
La observación de Green, reportada por Ars Technica, es que el papel más insidioso de la IA en el vídeo en línea se produce en una etapa anterior: en la fase de investigación, el borrador del guion, la verificación de datos que nunca se realizó. Un creador que le pide a un asistente de IA información de fondo sobre una afirmación científica, acepta la respuesta sin verificarla y luego presenta esa afirmación ante la cámara ha hecho un vídeo influenciado por IA, pero nada en el marco de YouTube exige divulgación, y nada en la experiencia del espectador lo señala.
El sistema de etiquetas fue diseñado en torno a un modelo de amenaza específico: los medios sintéticos utilizados para engañar sobre lo que es real en el encuadre. No fue diseñado en torno a la IA como herramienta de investigación o escritura que moldea lo que el creador cree y luego dice. Son problemas genuinamente distintos, y solo uno de ellos tiene una casilla de verificación.
Los creadores que usan herramientas de IA abiertamente —para la generación de imágenes, la asistencia en guiones o el diseño de personajes— ya están navegando el escepticismo de la audiencia. Las obligaciones de transparencia de la Ley de IA de la UE, que entraron en vigor en agosto de 2026, añaden peso regulatorio a esa presión. Pero el enfoque de Green replantea las apuestas: el problema no es solo el cumplimiento de la divulgación, sino que la IA puede degradar la calidad epistémica del contenido sin dejar ninguna huella que una etiqueta pueda detectar.
Para alguien que construye una audiencia en torno al arte generado por IA o la narrativa asistida por IA, eso es tanto una cuestión de diseño de flujo de trabajo como una cuestión ética. Los generadores de imágenes de IA pueden alucinar atribuciones de estilo, fabricar nombres de artistas o producir resultados de apariencia convincente que tergiversan la historia de una técnica. Si ese resultado alimenta un tutorial o un vídeo de making-of sin un paso de verificación, el contenido resultante presenta el mismo problema estructural que Green describe: desinformación moldeada por IA con rostro humano.
Esto es distinto de la polémica anterior que Green enfrentó por su propio uso de la IA, que se centró en la autenticidad creativa. La preocupación aquí es la precisión: herramientas de IA que generan información plausible pero incorrecta y se la entregan a un creador que confía en ellas.
El sistema de etiquetas de YouTube es reactivo por diseño: depende de la autodivulgación del creador y apunta al artefacto en lugar de al proceso. Ningún sistema de detección automatizada desplegado actualmente a escala puede identificar de manera fiable si un guion fue redactado por IA o si una afirmación factual se originó en una alucinación de IA. El modelo de detección de imágenes de IA de Pangram y la marca de agua SynthID de Google abordan los medios generados, no las ideas generadas.
Eso deja la carga del control de calidad íntegramente en el creador. Para cualquiera que produzca contenido asistido por IA —ya sea imágenes generadas, narración escrita por IA o guiones investigados por IA— la implicación práctica es que la verificación debe ocurrir antes de la publicación, no después. Las etiquetas de las plataformas no son un sustituto del juicio editorial; son un mecanismo de divulgación para una franja estrecha de casos de medios sintéticos.
Los creadores que exploran cómo construir flujos de trabajo responsables asistidos por IA pueden encontrar puntos de partida prácticos en las guías de Charmloop. La pregunta más amplia que plantea Green —cómo las audiencias y las plataformas desarrollan normas compartidas en torno al papel invisible de la IA en el contenido— es una que los sistemas de etiquetado por sí solos no resolverán.
