Más allá del texto, imágenes, voz y archivos

Durante todo el tramo anterior estuve afinando una sola cosa: cómo hablarle bien al chat por escrito. Pero el día que descubrí que no tenía por qué teclear, la herramienta se me hizo de pronto mucho más grande. Quiero que llegues a ese punto ya, sin tardar lo que tardé yo en darme cuenta de que la caja de texto era solo una de las puertas.

Este escalón cierra el Nivel 1. Asume que ya sabes qué es un chat y que ya sabes pedirle las cosas; lo que añade es que puedes pedírselas de varias maneras.

El chat dejó de ser una caja de texto

Yo tenía metida una imagen muy concreta: el chat era un recuadro donde yo escribía y él escribía de vuelta. Letras a un lado, letras al otro. Y durante un tiempo fue exactamente así. El malentendido no estaba en lo que veía, sino en creer que eso era todo lo que había.

La mayoría de las herramientas de hoy son multimodales. La palabra suena técnica, pero quiere decir algo sencillo: trabajan con más de un tipo de entrada y de salida, no solo con texto. Le puedes dar una imagen, le puedes hablar en voz alta, le puedes soltar un documento. Y según la herramienta, también te responde de varias formas.

El cambio de fondo llegó a lo grande en mayo de 2024, cuando OpenAI presentó GPT-4o, un modelo entrenado para procesar texto, voz e imagen dentro de la misma red, sin pasarlos por piezas separadas. No fue el primero ni el único, pero marcó el momento en que esto dejó de ser un experimento y pasó a estar en el chat que cualquiera abre. A partir de ahí, dar por sentado que un chat es solo texto se quedó corto. Hoy GPT-4o ya no está en ChatGPT —OpenAI lo retiró del chat en febrero de 2026, relevado por la familia GPT-5—, pero la puerta que abrió sigue abierta.

Una foto que la máquina mira

La primera vez que subí una imagen al chat me costó creer lo que hacía con ella. Le pasé la foto de un cartel en otro idioma y le pedí que me lo tradujera. Lo leyó y me lo tradujo. No había escrito yo el texto del cartel en ninguna parte: la máquina lo sacó de la propia foto.

Desde entonces eso forma parte de cómo lo uso. Una captura de pantalla con un mensaje de error y la pregunta "¿qué significa esto y cómo lo arreglo?". La foto de un plato y "¿cómo se hace?". La imagen de un documento y "extráeme los datos que aparecen aquí". En todos los casos hago lo mismo: pongo la imagen y, al lado, le digo en texto qué quiero de ella. La imagen es el material; mi instrucción sigue siendo lo que dirige.

Conviene recordar lo que viste en los primeros escalones: la máquina no entiende la foto como la entiendes tú. La procesa y estima qué hay en ella, con los mismos aciertos y los mismos fallos firmes que ya conoces. Una imagen borrosa, un texto torcido o un detalle pequeño la pueden despistar igual que un texto ambiguo. No es un escáner infalible; es el mismo motor probabilista, mirando ahora píxeles en lugar de letras.

Hablarle y que te conteste

La segunda puerta es la voz. Puedes hablar con la IA en lugar de escribir: dictas tu mensaje en voz alta y, si la herramienta lo permite, te contesta también hablando. A mí me cambió el uso en los ratos en que tengo las manos ocupadas o simplemente me cansa teclear en el móvil.

Aquí es donde GPT-4o se hizo notar de verdad. Antes, hablarle a un chat era lento: la voz tardaba varios segundos en convertirse en respuesta, y se notaba el desfase. Ese modelo bajó el tiempo de reacción a la voz a unos 320 milisegundos de media, parecido al de una conversación entre personas. La diferencia entre esperar tres segundos y casi no esperar es la diferencia entre dictar a una máquina y hablar con algo que responde al ritmo de una charla.

Por dentro no hay magia nueva. En unas herramientas tu voz se transforma en texto y la respuesta se vuelve a convertir en voz; en otras, como hacía GPT-4o, el modelo procesa el sonido directamente. En los dos casos hace lo de siempre: encadenar el siguiente trozo probable. Saberlo te ahorra sorpresas. Si hablas en un sitio ruidoso o se traga una palabra, va a responder a lo que creyó oír, no a lo que dijiste. Es el mismo cuidado de siempre, trasladado al oído.

Soltar un archivo encima

La tercera puerta fue la que más me ahorró trabajo: adjuntar archivos. Un PDF largo que no me apetecía leer entero y un "resúmemelo en diez líneas". Una hoja de cálculo y "¿qué me dice esta tabla?". Un texto kilométrico y "busca dónde habla de tal cosa". En vez de copiar y pegar trozos a mano, le doy el documento completo y trabajo sobre él.

El gesto es idéntico al de la imagen: adjuntas el archivo y, en el mismo mensaje, le dices qué quieres que haga con él. Resumir, buscar, comparar, explicar un párrafo difícil. El archivo es la materia prima; tu pregunta sigue siendo el timón.

Y vuelve el aviso de siempre, que aquí pesa especialmente. La máquina no ha "verificado" el documento: lo procesa y responde sobre lo que hay en él con su aplomo habitual, acierte o no. Si le pides que te resuma un PDF de cincuenta páginas, conviene que repases que no se haya inventado un detalle por el camino. El archivo le da más con qué trabajar, no le da infalibilidad.

La entrada cambia; la manera de hablarle, no

Si hay una sola idea que quiero que te lleves de este escalón es esta: todo lo que aprendiste en el tramo anterior sobre pedir bien las cosas sigue valiendo igual. Cambias la puerta de entrada —foto, voz, archivo en lugar de texto—, pero no cambias el oficio de explicarle con claridad qué quieres.

Subes la imagen y le dices para qué; le hablas y le pides algo concreto; adjuntas el documento y precisas qué buscas en él. Un mensaje vago sigue dando una respuesta vaga, venga de donde venga el material. Por eso este escalón no te obliga a aprender nada nuevo sobre cómo dirigir al chat: solo te enseña que el chat acepta más cosas de las que creías.

Lo que subes son tus datos

Queda una cautela que no me apetece adornar, porque es la que de verdad importa. Cuando subes una foto, dictas algo o adjuntas un documento, le estás entregando ese contenido a un servicio que no es tuyo. Una factura con tu dirección, una captura con datos de otra persona, un documento confidencial del trabajo: todo eso sale de tu pantalla y entra en la máquina. Conviene pensárselo dos veces antes de soltar según qué.

Hay también un detalle más prosaico: no todas las herramientas tienen todas las puertas abiertas, y algunas funciones —la voz más fluida, los archivos grandes— suelen venir con más límites en las versiones gratuitas y con más margen en las de pago. Así que lo que puedas hacer dependerá de la que uses.

Con esto cierras el Nivel 1. Ya sabes con qué hablas, ya sabes hablarle y ahora sabes de cuántas formas puede escucharte. Lo que viene a partir de aquí es dejar de tratar cada conversación como una hoja en blanco y empezar a montarte un sitio donde el chat conserve lo que le has ido dando. Pero esa es ya otra planta del edificio.

Definiciones

- Multimodal: dicho de un chat o un modelo que trabaja con más de un tipo de contenido, no solo texto. Entiende y, según el caso, produce también imágenes, voz o archivos. - GPT-4o: modelo presentado por OpenAI en mayo de 2024, entrenado para procesar texto, voz e imagen dentro de la misma red. Popularizó la conversación por voz rápida en el chat. OpenAI lo retiró de ChatGPT en febrero de 2026. - Subir una imagen: darle al chat una foto o captura para que trabaje con ella —leer un cartel, describir una escena, sacar los datos de un documento fotografiado—. - Voz (entrada y salida): dictarle al chat en lugar de teclear y, si la herramienta lo permite, oír su respuesta hablada en vez de leerla. - Adjuntar un archivo: entregarle un documento, una hoja de cálculo o un texto largo para que lo resuma, lo busque o lo explique, sin tener que copiar y pegar su contenido.

Para saber más

- Xataka, OpenAI presenta GPT-4o: un sorprendente modelo de IA gratuito que trabaja con voz, texto e imagen al mismo tiempo — explicación en español de qué significa que un chat sea multimodal. https://www.xataka.com/robotica-e-ia/openai-quiere-volver-a-revolucionar-ia-presenta-nuevo-modelo-multimodal-que-trabaja-voz-imagenes-video - Genbeta, ChatGPT se hace más inteligente: tendrá voz para hablar con nosotros y analizar las imágenes que subimos — repaso divulgativo de las entradas de voz e imagen. https://www.genbeta.com/actualidad/chatgpt-se-hace-inteligente-tendra-voz-para-hablar-nosotros-analizar-imagenes-que-subimos - DigitalDot, Las capacidades de ChatGPT en el reconocimiento de voz e imagen — descripción práctica de subir imágenes y hablar con el chat. https://www.digitaldot.es/las-capacidades-de-chatgpt-en-el-reconocimiento-de-voz-e-imagen/ - OpenAI, Retiring GPT-4o, GPT-4.1, GPT-4.1 mini, and OpenAI o4-mini in ChatGPT — el anuncio de la retirada de GPT-4o del chat (en inglés). https://openai.com/index/retiring-gpt-4o-and-older-models/