Hace unos meses tuve una discusión medio incómoda con un cliente: quería una imagen de hero para su landing y no tenía presupuesto para una sesión de fotos. Propuse generar la imagen con IA y la respuesta fue inmediata: "no, la gente se va a dar cuenta y va a pensar que somos truchos". No tenía datos para rebatirlo, así que compramos un stock. Esta semana leí un estudio de Rachel Banawa en Nielsen Norman Group que pone números sobre exactamente esa conversación, y el resultado no es el que yo esperaba, ni el que esperaba mi cliente.
El experimento, en criollo
NN/g reclutó 77 participantes y les mostró seis versiones de la home de una consultora ficticia. Las páginas eran idénticas salvo por un detalle: la imagen del hero. Tres eran generadas con IA (ChatGPT Images 2.0) y tres eran fotos de stock reales de Unsplash e iStock. Después de ver cada página 10 segundos, cada persona puntuaba a la empresa en confiabilidad, profesionalismo y autenticidad.
El detalle clave del diseño del estudio: a nadie le dijeron que había IA en el medio. Se buscaba medir la percepción espontánea, no la reacción al enterarse.
El resultado: no hubo evidencia de que las imágenes con IA bajaran la confianza. De hecho, las páginas con IA puntuaron apenas mejor en las tres dimensiones, y la única diferencia estadísticamente significativa fue en autenticidad —con un aumento de 0,4 puntos en una escala de 1 a 7—. Traducido: prácticamente empate técnico.
Lo que en realidad movió la aguja
Acá está la parte que me parece más útil, y que se pierde si uno se queda con el titular. Cuando los participantes explicaban por qué confiaban o no en la empresa, casi nunca hablaban del origen de la imagen. Hablaban de qué mostraba la imagen:
- Colaboración visible: las fotos donde se veía gente trabajando en conjunto generaban comentarios positivos, sin importar si eran reales o generadas.
- Representación y diversidad: una de las fotos reales recibió críticas explícitas ("no noto tanto la diversidad", "el grupo no parece suficientemente diverso"). Una foto real perdió contra imágenes de IA por un problema que no tiene nada que ver con la IA.
- Jerarquía corporal: un comentario me quedó grabado: "la imagen daba la sensación de que había un líder, y eso me hizo confiar menos en la página". Nadie está pensando en modelos generativos; están leyendo lenguaje corporal.
Y NN/g es honesto en la advertencia: la IA no produce representación inclusiva por default. Si el equipo no revisa quién aparece en rol de liderazgo, quién queda de fondo y qué estereotipos se refuerzan, el modelo va a devolver el promedio estadístico de internet, que no es precisamente un lugar diverso.
El asterisco importante: sospechar sí penaliza
Hay un hallazgo secundario que me parece más relevante que el principal. Unos pocos participantes comentaron por su cuenta que les parecía que la imagen era generada con IA. Cuando lo sospechaban, puntuaban peor el sitio. Y en varios casos se equivocaban: acusaban de "fake" a fotos reales.
O sea: el castigo no viene del origen de la imagen, viene de la sospecha. Esto abre un problema nuevo y bastante incómodo, porque la sospecha no se controla desde el brief. Cualquier foto con iluminación demasiado perfecta o una sonrisa demasiado ensayada ya activa el detector de IA de la gente, aunque la haya sacado un fotógrafo en 2019.
Sumale que el contexto legal está cambiando: el estudio menciona que la AI Act europea ya exige etiquetar cierto contenido generado con IA. Y la investigación de Schilke y Reimann que citan es todavía más dura: en 13 experimentos, revelar el uso de IA redujo la confianza. El estudio de NN/g midió un mundo sin etiquetas. El que viene puede no ser ese.
Mi reflexión
Lo que me llevo no es "listo, usá IA tranquilo". Me llevo que la pregunta que veníamos haciendo estaba mal formulada. Discutíamos sobre la procedencia cuando lo que el usuario evalúa en diez segundos es el contenido: si la escena es creíble, si la gente que aparece se parece a él, si la composición no le grita "esto es publicidad".
La IA no te salva de esa evaluación, te la abarata. Generar cinco variantes cuesta minutos, y eso significa que ya no hay excusa para quedarse con la primera que salga decente. El checklist de NN/g antes de usar una imagen generada es sensato y no tiene nada de mágico: revisar propósito, revisar representación, revisar realismo, buscar errores típicos (manos, texto, reflejos), y —el que más se olvida— verla en su contexto real, con el crop y el tamaño finales, no en el visor del generador.
Y queda una capa que el estudio no mide pero sí menciona: consentimiento, entrenamiento y derechos. Una imagen puede funcionar perfecto en la interfaz y aun así ser problemática por cómo fue creada. Eso no lo resuelve ningún test de usuarios.
"El usuario no juzga de dónde salió la imagen. Juzga si le cierra. La procedencia es tu problema ético, no su criterio de confianza."
¿En tu equipo ya están usando imágenes generadas en producción, o todavía hay resistencia? Me interesa saber cómo lo están resolviendo, sobre todo con el tema del etiquetado. Podés escribirme en LinkedIn.