IOSF: La paradoja del coste del vídeo con IA: generar es cada vez más barato, ¿por qué el producto final sigue siendo caro?

PanewslabPanewslab

Durante el tercer partido de las Finales de la NBA de junio de 2025, Kalshi emitió un anuncio de televisión bastante caótico: un granjero flotando en una piscina llena de huevos, un extraterrestre bebiendo cerveza y un hombre envuelto en una bandera estadounidense gritando sobre Indiana. El director PJ Accetturo creó el anuncio con Veo 3 de Google, con un coste de unos 2.000 dólares y en solo tres días desde la idea hasta la emisión. Anteriormente, una productora había presupuestado a Kalshi entre "seis y siete cifras". Generó entre 300 y 400 versiones para obtener 15 clips utilizables.

Diez meses después, OpenAI cerró la app Sora el 26 de abril, un feed similar a TikTok dedicado a vídeos generados por IA. TechCrunch, citando una investigación del Wall Street Journal, informó de que la app tenía un coste operativo diario de aproximadamente 1 millón de dólares, y que el número de usuarios había caído de un pico de alrededor de 1 millón a menos de 500.000. La API para desarrolladores de Sora también se cerró en septiembre, y ahora no queda ningún modelo de vídeo en la lista de precios para desarrolladores de OpenAI.

Estos dos hechos resumen el estado del vídeo con IA en 2026: hacer vídeos con IA ya es lo bastante barato como para cambiar la forma de producir anuncios; pero simplemente ver vídeos de IA aún no se ha convertido en un negocio.

 

El vídeo con IA ya es un negocio real: las empresas que revelan ingresos suman unos 2.300 millones de dólares anuales, y sus clientes declarados son profesionales del marketing, creadores y empresas. No es una versión reducida del mercado de los grandes modelos de lenguaje: el coste de un minuto de vídeo es miles de veces superior al de un minuto de texto, y los mayores ingresos provienen de las aplicaciones, no de los proveedores de modelos. Los primeros sectores afectados son los que compran vídeos "suficientemente buenos" al por mayor: bancos de imágenes, publicidad, formación y series cortas. Los efectos visuales para cine y televisión van después. Los videojuegos y la robótica van en último lugar, ya que dependen de leyes físicas, y los mejores modelos actuales obtienen en las pruebas físicas aproximadamente la mitad de la puntuación de una imagen real.

Ranking de ingresos: las empresas que revelan datos suman unos 2.300 millones de dólares anuales

IOSF Research

Imagen

Unas pocas empresas ya han revelado ingresos, y crecen con rapidez:

  • El ARR de Higgsfield pasó de 200 millones de dólares a finales de 2025 a 700 millones en agosto de 2026.
  • El modelo de vídeo Kling, de Kuaishou, superó los 118 millones de dólares de ingresos en el segundo trimestre, más del doble interanual.
  • fal, una plataforma agregadora de modelos de vídeo e imagen, tenía un ARR de unos 400 millones de dólares en marzo de 2026, el doble que en octubre del año anterior.
  • El ARR de HeyGen superó los 200 millones de dólares en junio.
  • El ARR de Runway superó los 200 millones de dólares en septiembre.

Según nuestros cálculos, los ingresos visibles suman unos 2.300 millones de dólares anuales. Una parte corresponde a ingresos por imagen, y otra está duplicada, porque las aplicaciones también compran a fal. Esta cifra tampoco incluye a Veo de Google, Seedance de ByteDance ni a varios laboratorios chinos, que no desglosan sus ingresos por vídeo. El margen de error es bidireccional: los ingresos por imagen y la duplicación inflan el total, mientras que los laboratorios no contabilizados lo reducen. Por tanto, los 2.300 millones de dólares solo sirven como referencia de escala, no como una medición del tamaño del mercado.

El coste de generar vídeo es miles de veces mayor, y la mayor parte de los ingresos está en la capa de aplicaciones

IOSF Research

Imagen

El vídeo con IA se describe a menudo informalmente como "el mercado de los grandes modelos de lenguaje con unos años de retraso". Pero los datos no respaldan esa afirmación, porque la diferencia entre ejecutar modelos de lenguaje y modelos de imagen/vídeo es enorme.

En pocas palabras, un modelo de lenguaje escribe igual que una persona teclea: una palabra cada vez, y cada palabra es una pequeña predicción de la siguiente; puedes empezar a leer mientras aún está escribiendo. Un modelo de imagen o vídeo se parece más a un arquitecto: parte de ruido aleatorio y retoca la imagen completa una y otra vez, normalmente entre 20 y 50 rondas, hasta que aparece una imagen nítida. En cada ronda se procesan todos los píxeles a la vez, y no se puede usar nada hasta que termina la última ronda. El vídeo multiplica la carga de trabajo: un segundo son unas 24 imágenes, y cada una debe ser coherente con la anterior; la taza tiene que permanecer en su sitio y la cara debe ser siempre la misma. Un texto, en cambio, solo tiene unos cientos de unidades pequeñas. Por eso un modelo de código abierto probado necesita unos 350 segundos de cálculo en chip por cada segundo de vídeo generado, y por eso un minuto de vídeo cuesta miles de veces más que un minuto de texto.

Anthropic comunicó a sus inversores que sus ingresos anualizados alcanzaron los 65.000 millones de dólares a finales de julio, y OpenAI unos 40.000 millones. Solo los ingresos de estos dos laboratorios son unas 45 veces mayores que el total de ingresos visibles por vídeo.

**En el ámbito de los grandes modelos de lenguaje, la mayor parte de los ingresos va a los laboratorios de modelos; en el del vídeo, los mayores ingresos son de las aplicaciones.** La mayor aplicación de modelos de lenguaje es la herramienta de programación Cursor, con unos ingresos anualizados de unos 4.000 millones de dólares en junio, aproximadamente una decimosexta parte de los de Anthropic. En vídeo, Higgsfield lidera con 700 millones, y las aplicaciones que empaquetan modelos de otras empresas (Higgsfield, HeyGen, Synthesia, Magnific) representan más de la mitad de los ingresos visibles. Los clientes de texto compran la inteligencia del modelo y la usan directamente. Los clientes de vídeo compran un producto final para un trabajo concreto, que requiere edición, coherencia y flujos de trabajo complementarios; las aplicaciones se construyen en torno a esas necesidades y forman bancos de trabajo de vídeo.

Una imagen vale aproximadamente mil palabras

Imagen

Hasta el 22 de octubre, el precio mínimo registrado por minuto de vídeo era de unos 3 dólares, en el tramo más barato de Veo, con una diferencia de unas 7.600 veces respecto al tramo más caro.

Hay otras diferencias dignas de mención: el código es el mayor mercado de los grandes modelos de lenguaje y puede verificarse automáticamente; el vídeo se juzga a ojo, de forma más subjetiva. El texto se compra por tokens; el vídeo se compra por clips, lo que corresponde a presupuestos de producción.

Quién paga: toda la evidencia pública apunta a clientes empresariales

IOSF Research

Higgsfield se define como una plataforma "para creadores, profesionales del marketing, marcas, agencias y productoras", y afirma que "da soporte de creación de contenido visual a 390 empresas de la lista Fortune 500" (Higgsfield). HeyGen afirma que el 85% de las empresas de la lista Fortune 100 lo utiliza (HeyGen). Ninguna de las dos desglosa sus ingresos por uso, por lo que, solo con datos públicos, es imposible saber cuánto proviene de particulares que crean vídeos por entretenimiento. Toda la evidencia pública apunta a compradores empresariales.

Si se desglosan los compradores, los modelos de negocio se diferencian. La gente ve muchos vídeos de IA, pero paga por cosas distintas y exige calidades distintas.

  • Las apps de series cortas venden historias por episodios, así que la calidad determina si el público sigue pagando. Su mayor coste es la captación de clientes, no la producción: según Media Partners Asia, la mayor plataforma de series cortas, ReelShort, destinó el 55% de sus 785 millones de dólares de ingresos en 2025 a captación de usuarios y marketing (Indian Television). El marketing se lleva el 55% de los ingresos, y todos los demás costes, incluida la generación, deben resolverse con el 45% restante. Por eso, los modelos más baratos solo pueden comprimir la parte más pequeña del presupuesto. Los mejores modelos actúan sobre la parte que genera dinero: si el público está dispuesto a seguir pagando por el siguiente episodio. ReelShort no desglosa su gasto en generación, así que esta es nuestra interpretación de su estructura de costes, no una división medida.
  • El público descubre estas series a través de los feeds sociales (una encuesta de Meta y Ormax indica que en India es el 89% de los espectadores), y los productores están virando rápidamente hacia la IA: según Owl & Co, en el tercer trimestre, alrededor de dos tercios de las nuevas series cortas verticales fuera de China se generaron con IA, frente a solo el 3% en el primer trimestre (The Hollywood Reporter).
  • Las apps de acompañamiento con IA venden conexión emocional, no imágenes. Los usuarios vuelven por la relación, así que el vídeo solo necesita ser "suficientemente bueno". La clave es el coste y la velocidad, porque cada usuario necesita muchos vídeos.

Producir barato no equivale a tener audiencia: el valor se desplaza hacia quien decide la distribución del contenido

IOSF Research

La industria musical ya ha llegado a este punto. Según Deezer, en los días pico de junio, las pistas totalmente generadas por IA superaron la mitad de todas las subidas nuevas a la plataforma de streaming, y actualmente se añaden casi 90.000 al día. Pero solo representan entre el 1% y el 3% de las reproducciones.

Imagen

Deezer excluye las pistas de IA detectadas de las recomendaciones y listas de reproducción, lo que hace visible la brecha entre subidas y reproducciones. Este patrón es el que describió el economista Herbert Simon en 1971: cuando la información se vuelve abundante, la atención se convierte en un recurso escaso. Cuando producir es casi gratis, la oferta se inunda y el valor se desplaza hacia quien decide qué contenido se ve. Dos investigadores llaman "slop ceiling" (techo de contenido mediocre) al umbral de calidad que el público fija para el contenido de IA.

Qué industrias se ven afectadas primero: bancos de imágenes y publicidad a la cabeza, videojuegos y robótica al final

IOSF Research

Imagen

Los 2.300 millones de dólares actuales son aún pequeños en comparación con el gasto existente en vídeo, y el dinero no se transferirá de manera uniforme. Ordenados por la proporción de trabajo de vídeo que los modelos actuales ya pueden realizar:

  1. **Bancos de imágenes y fotografía.** Los clips generados pueden sustituir directamente al material con licencia. Los dos grandes bancos de imágenes, Getty Images y Shutterstock, sumaron unos 2.000 millones de dólares de ingresos el año pasado; es el sector vertical más afectado por ahora.
  2. **Publicidad y vídeos de producto.** WPP Media estima que los ingresos publicitarios globales de este año rondarán los 1,3 billones de dólares. Solo una pequeña parte se destina a producir anuncios, pero el anuncio de Kalshi muestra hasta qué punto se puede comprimir ese gasto a medida que bajan los costes de generación, y se ahorran muchos costes indirectos de la filmación real.
  3. **Vídeos de formación y explicativos.** En 2025, las instituciones estadounidenses gastaron 102.800 millones de dólares en formación (revista Training). Este es el mercado de HeyGen y Synthesia: un presentador leyendo un guion es el tipo de vídeo más fácil de generar.
  4. **Series cortas.** En China, se prevé que los ingresos de las microseries (episodios de uno o dos minutos hechos para móviles) alcancen los 9.400 millones de dólares en 2025, superando la taquilla nacional de cine. Estos productores ya aceptan material con calidad de móvil y tienen una gran demanda.
  5. **Efectos visuales.** IMARC estima ese mercado en unos 11.000 millones de dólares en 2025 (IMARC), aunque las estimaciones varían mucho. Los productores ya usan planos generados (ver más abajo).
  6. **Cine y televisión.** Ampere Analysis estima el gasto global en contenido de 2026 en 255.000 millones de dólares. La IA entra en este ámbito plano a plano, no como obra completa.
  7. **Videojuegos y robótica.** Según Newzoo, la industria del videojuego facturó 201.600 millones de dólares en 2025. Los modelos de vídeo solo serán útiles aquí cuando aprendan a simular el mundo, que es el tema de la última sección de este artículo.

Cómo cambia la IA el coste de producción de vídeo: la tasa de clips utilizables importa tanto como el precio unitario

IOSF Research

Imagen

El impacto más evidente está en los costes. Además del anuncio de Kalshi, el largometraje de animación Critterz, respaldado por OpenAI, tuvo un presupuesto inferior a 30 millones de dólares y un ciclo de producción de nueve meses; una gran película de animación suele costar entre 100 y 200 millones de dólares y unos tres años.

Los precios bajan por tramos, no de forma generalizada.

Imagen

**La próxima ronda de reducción de costes ya aparece en la investigación.** Un estudio empírico de investigadores de Hugging Face descubrió que un gran modelo de código abierto tardaba 1.875 segundos en generar un clip de 5,4 segundos en una GPU de gama alta, lo que según nuestros cálculos equivale a unos 350 segundos de cálculo por segundo de vídeo. La destilación ataca directamente este problema. Un equipo aumentó la tasa de fotogramas por segundo de un pequeño modelo de código abierto unas 22 veces, lo bastante rápido para generar streaming en tiempo real en un solo chip. De aquí vendrá la gran reducción de costes que necesitan las apps de acompañamiento: generar primero a baja resolución y luego aplicar superresolución.

**El precio por segundo de vídeo generado es solo una parte del coste.** El director del anuncio de Kalshi conservó aproximadamente 1 de cada 20 a 27 clips, así que para él el coste de un segundo de vídeo utilizable es de 20 a 27 veces el precio de lista. Es un caso extremo. Un proveedor de herramientas de vídeo, resumiendo otros trabajos, indica que en un episodio de animación de tres minutos se conserva 1 de cada 4 clips (41 de 164). Nadie ha publicado todavía estadísticas independientes sobre tasas de clips utilizables. **La coherencia afecta directamente a esa tasa.** Si el modelo mantiene coherentes los personajes, productos o movimientos de cámara entre generaciones, se necesitan menos generaciones; si las generaciones se reducen a la mitad, el coste por segundo de vídeo utilizable también se reduce a la mitad. Bajar el precio solo abarata cada generación.

**Nuestra prueba: el mismo prompt, tres modelos.** El 2 de noviembre, enviamos el mismo prompt a tres modelos a través de la API de Runway: un teléfono sobre una mesa de cristal se enciende al recibir una llamada, vibra y se mueve hacia el borde, cae y rebota una vez en el suelo de cemento. Cada clip de 8 segundos, 720p, sin sonido, una generación por modelo, costó 4,80 dólares en total.

Imagen

▲ De izquierda a derecha: Wan 3.0, Seedance 2.5, Veo 3.1

  • Wan 3.0 (0,80 dólares, primero en el ranking) fue el mejor. El teléfono se movió hacia delante, cayó y quedó quieto, aunque la cámara se inclinó hacia abajo para seguirlo.
  • Seedance 2.5 (2,40 dólares, el más caro de los tres) tuvo la vibración más realista, pero cortó a un nuevo plano antes de la caída y la pantalla se quedó en negro.
  • Veo 3.1 (1,60 dólares sin sonido, puesto 22 del ranking) empezó con el teléfono en vertical en lugar de tumbado, y tras caer rebotó varias veces como si fuera de goma. Su texto en pantalla fue el más nítido de los tres. (Seguimos a Veo porque Google publica el historial de precios más claro, no porque lidere. En calidad, ahora está por detrás de modelos más baratos, como muestra nuestra prueba.)

Ninguno de los tres modelos ejecutó el prompt por completo, y cada generación tardó entre 2 y 4,5 minutos, entre 15 y 34 veces la duración del clip (nuestros cálculos). Tres clips no demuestran mucho, pero el orden de resultados coincide con el ranking, no con el precio.

El próximo punto de inflexión: coste y latencia

IOSF Research

Los modelos más baratos son un camino. Otro es copiar los métodos de producción existentes en cine y animación: primero en bruto, después en fino.

Primero borradores baratos, y solo al final un renderizado.

Los animadores resolvieron este problema hace décadas. No empiezan a animar hasta que la historia está clara; primero dibujan guiones gráficos y luego hacen una maqueta en movimiento llamada animatic. El vídeo con IA puede hacer lo mismo. Un corte en bruto de uno o dos fotogramas por segundo basta para juzgar la historia y los planos, con un efecto parecido al de un cómic; los planos elegidos y más adecuados se renderizan después con el mejor modelo.

Esto también resuelve el problema de la tasa de clips utilizables mencionado antes. Si la mayoría de las generaciones se van a descartar, mejor descartarlas cuando aún son baratas.

ByteDance ya ha convertido esta práctica en producto. El modo Draft (borrador) de Seedance 2.5 está disponible en fal desde el 30 de octubre: genera primero una vista previa de baja resolución y luego completa el mismo vídeo en Full HD. Solo se paga el precio completo por los clips que se conservan. La diferencia se acumula rápido (fal):

  • Vista previa (480p): unos 0,22 dólares por segundo
  • Full HD (1080p): unos 1,16 dólares por segundo, unas 5 veces la vista previa
  • Completar el borrador a producto final: fal no publica precio. En las pruebas de nuestro equipo, el coste fue entre 6 y 8 veces menor que generar directamente el clip en Full HD

El precio es la calidad. El producto final completado desde borrador se ve ligeramente más suave que el Full HD generado directamente, aunque también corrigió un último fotograma extraño de la vista previa. A escala, el ahorro es grande. Si se conserva 1 de cada 25 generaciones (tasa de clips utilizables del 4%), el coste de una hora de producto final en Full HD es:

  • Generar siempre en Full HD: unos 105.000 dólares
  • Primero borrador y luego completar los clips conservados: unos 20.000 dólares (nuestros cálculos)

Ya están apareciendo flujos de trabajo híbridos.

El borrador barato es un atajo. Otro es combinar herramientas antiguas y nuevas. Los creadores ahora montan la escena con geometría gris en la herramienta de diseño 3D Blender, colocan objetos y cámaras con GPT-6 Astra de OpenAI, convierten un fotograma fijo de la escena en un primer fotograma fotorrealista y generan el producto final con Seedance 2.5 (tutorial de Kapwing, Dreamina de ByteDance).

Las dos herramientas compensan sus carencias. Solo con 3D, lograr realismo es demasiado lento; solo con vídeo de IA, es difícil de controlar. Combinadas, el borrador 3D fija la composición y los planos, y el modelo de vídeo se encarga de la textura visual.

La generación en tiempo real está llegando.

El último paso es la velocidad. El vídeo renderizado mientras se ve ya no es solo una demo de laboratorio:

  • Runway Characters (marzo): un modelo de vídeo capaz de conversar en tiempo real, basado en GWM-1 de Runway (Runway)
  • Runway Solaris (31 de agosto): lo que Runway llama el primer "Interface World Model" (modelo de mundo de interfaz) (Crypto Briefing)
  • Decart (mayo): convierte streaming de vídeo en tiempo real en escenas generadas; recaudó 300 millones de dólares con una valoración de unos 4.000 millones (bne IntelliNews)
  • Avatares de Zoom: sustituyen la imagen de la cámara por un avatar fotorrealista que imita tus expresiones mientras hablas; la disponibilidad depende del plan y la región (Zoom)

Cuando la generación de vídeo sea lo bastante rápida para llamadas en tiempo real, el problema de las apps de acompañamiento cambia: ya no es cuánto cuesta por minuto, sino cuán rápido llega el siguiente fotograma.

Más allá del marketing: en cine, televisión y efectos visuales, la IA puede hacer planos de efectos, pero aún no proyectos largos

IOSF Research

Imagen

Hollywood está probando si el vídeo con IA puede salir del ámbito publicitario.

Hasta ahora, los productores lo usan principalmente de dos maneras: para hacer planos que el presupuesto no cubriría, y para licenciar sus propios personajes y obtener ingresos cuando otros los usan.

Primero, hacer planos que antes no se podían permitir.

Dos series recientes usaron IA para completar escenas que de otro modo se habrían eliminado:

  • The Eternaut de Netflix: esta serie argentina usó vídeo generativo para completar una escena de derrumbe de un edificio. El co-CEO Ted Sarandos dijo que el plano se completó diez veces más rápido que con efectos tradicionales, y que hacerlo de forma tradicional habría sido "sencillamente inviable" con el presupuesto de la serie.
  • House of David de Amazon: la segunda temporada de esta serie bíblica usó entre 350 y 400 imágenes generadas por IA, frente a unas 70 en la primera (TheWrap). El showrunner dijo que sin IA no podría permitirse las escenas de batalla.

Otros productores van más allá y colaboran directamente con proveedores de modelos. Lionsgate entró en el capital de Runway en junio (porcentaje no revelado) y planea producir una serie corta basada en su catálogo de películas (Runway). AMC Networks también firmó con Runway (Hollywood Reporter).

Segundo, obtener ingresos por la licencia de personajes.

La mayor disputa es a quién pertenecen los personajes. El enfoque de Disney muestra las dos caras:

  • Junio de 2025: Disney y Universal demandaron a Midjourney por infracción de derechos de autor.
  • Diciembre de 2025: Disney acordó invertir 1.000 millones de dólares en OpenAI y licenciar más de 200 de sus personajes a Sora (Disney).
  • Tras el cierre de Sora: el acuerdo terminó, y Disney dijo que buscaría otros socios de IA (Blooloop).

La conclusión es simple: los productores quieren cobrar cuando se usan sus personajes, y demandan a quienes los usan sin pagar.

Los titulares de derechos japoneses han ido más lejos, pasando de bloquear la IA a licenciarla, por dinero. El anime japonés se vende muy bien en el extranjero, pero muchas productoras atraviesan dificultades:

  • Según cifras preliminares de la Asociación de Animación Japonesa, los ingresos en el extranjero en 2024 fueron de 2,17 billones de yenes, superando a los nacionales (gamebiz)
  • En 2025, el 34,6% de las productoras de animación registró pérdidas (Teikoku Databank, vía GameBusiness)

En octubre de 2025, CODA, la organización que representa a los titulares de derechos japoneses, pidió a OpenAI que dejara de usar obras de sus miembros sin permiso para entrenar Sora 2 (Automaton).

En menos de un año, la actitud cambió. El 11 de septiembre, el laboratorio chino de IA MiniMax y la empresa japonesa KAGAMIAI presentaron en Tokio H3 IP Edition. Los creadores pueden usarlo para hacer vídeos con personajes japoneses licenciados; cada personaje incluye material aprobado, reglas de uso, condiciones comerciales y reporte de uso a los titulares de derechos. MiniMax afirma que más de 60 empresas han mostrado interés (MiniMax).

Antes, KAGAMIAI hizo un piloto con Captain Tsubasa (Oliver y Benji) usando otro modelo de vídeo chino, PixVerse, y los resultados muestran cuán grande puede ser la demanda (misma fuente de la página de MiniMax):

  • Unos 126.000 creadores
  • Unas 330.000 obras creadas en 45 días
  • Más del 99% de la actividad provino de fuera de Japón

La creación de fans con licencia podría convertirse en el primer mercado de consumo masivo del vídeo con IA en el que los titulares de derechos de personajes obtienen ingresos.

La regla es: la IA puede hacer efectos, pero no proyectos largos.

En todos los casos anteriores, la IA se ocupa de planos que una serie de presupuesto medio no podría permitirse: grandes planos generales, multitudes, destrucción y entornos de escena. El resto de la producción sigue siendo humana. Los gráficos por ordenador entraron en el cine de la misma manera, efecto a efecto, mucho antes de que Toy Story demostrara en 1995 que se podía hacer un largometraje entero con ellos.

Una prueba apunta en la misma dirección. En el benchmark de física que presentamos más abajo, la puntuación del modelo Odyssey-3 Pro depende del punto de partida:

  • Continuación de imagen real: 63 puntos, una sola generación
  • Partiendo de una sola imagen: 50 puntos

El vídeo con IA rinde mejor cuando tiene material real como base, que es exactamente el caso del trabajo de efectos: cada plano generado está incrustado en imagen real. Esta prueba no mide la duración. Nadie ha publicado todavía una prueba sobre si los modelos pueden mantener la coherencia entre múltiples planos, y esa prueba explicaría por qué los proyectos largos siguen sin ser posibles.

¿Aparecerán laboratorios especializados? Ya existen, y las empresas de vídeo se dividen en tres categorías

IOSF Research

Ya han aparecido laboratorios especializados, y las empresas de vídeo se están dividiendo en tres categorías:

**Gigantes generalistas.** Google (Veo), ByteDance (Seedance) y Kuaishou (Kling) tienen la mayor capacidad de cómputo y datos. Compiten en calidad y precio, y la mayoría de las aplicaciones revenden sus modelos.

**Laboratorios tipo estudio.** Runway, con participación de Lionsgate, desarrolla productos para cine y televisión. Moonvalley entrena su modelo Marey solo con imágenes con licencia; hasta julio de 2025 había recaudado 154 millones de dólares, y su división de producción Asteria hace películas con ese modelo. Estos laboratorios pueden ofrecer tres cosas que a los gigantes les cuesta más: datos de entrenamiento aceptables para los métodos de producción, control fino sobre cada fotograma y herramientas que se integran en los flujos de efectos existentes.

**Capa de aplicaciones.** Higgsfield, HeyGen y Magnific empaquetan modelos de otros laboratorios y los venden a clientes específicos.

**Nuevos laboratorios y sus apuestas.** Las mayores inversiones de 2026 que hemos identificado se dirigen a laboratorios que desarrollan modelos interactivos o modelos de mundo: la ronda semilla de 1.030 millones de dólares de AMI Labs, la ronda de 315 millones de Runway (que según Runway se destinará a modelos de mundo) y la adquisición de World Labs por AMD por 8.200 millones de dólares. No hemos contabilizado toda la financiación del sector del vídeo en el año; la tabla mezcla rondas de financiación, una adquisición y actualizaciones de producto:

Los avances más probables de los próximos 12 meses también salen de esta tabla: generación de vídeo con latencia suficiente para llamadas y juegos, mundos interactivos en lugar de clips fijos, y generación con personajes licenciados a escala.

**En cine y efectos visuales, los laboratorios tipo estudio tienen más probabilidades de ganar.** Los productores no pueden asumir riesgos legales en un plano clave (hero shot), necesitan reproducir con precisión la intención del director y trabajar con equipos sindicados; los proveedores generalistas que solo ofrecen el modelo bruto más potente solo pueden competir en precio.

La mayor oportunidad es el mundo, no los clips

IOSF Research

En esta ola de inteligencia, el mayor mercado de los modelos de vídeo podría no ser el vídeo en absoluto. Un modelo capaz de predecir el siguiente fotograma de una escena podría estar aprendiendo cómo se mueve el mundo, lo que sería útil para videojuegos y robótica.

Runway lanzó GWM-1 en diciembre de 2025, llamándolo modelo de mundo general, con tres versiones: mundos explorables, avatares conversacionales y un modelo robótico que predice lo que verá la cámara tras cada acción del robot. Genera imágenes en tiempo real a 720p, hasta dos minutos. Cuando Runway recaudó 315 millones de dólares en febrero con una valoración de 5.300 millones, dijo que el dinero se destinaría a desarrollar modelos de mundo más capaces.

Platón describió por primera vez esta apuesta en la alegoría de la caverna de La República.

Los prisioneros solo ven sombras en la pared, y honran a quienes "observan con más agudeza las sombras que pasan" y mejor dicen cuál aparecerá después. Un modelo de vídeo es un predictor de sombras premiado que nunca ha visto los objetos que las proyectan. El punto de Platón es que esa habilidad no es conocimiento. Para un modelo de vídeo, la cuestión es si predecir el siguiente fotograma implica entender cómo se mueve el mundo, y Physics-IQ es una forma de comprobarlo.

Imagen

Physics-IQ es un benchmark alojado por Google DeepMind: se muestra a un modelo el comienzo de un evento físico real y se evalúa cuánto se acerca la continuación generada a la realidad. 100 puntos significa tan cercano como otra grabación real. Según la puntuación original, el mejor modelo de imagen a vídeo pasó de 23 puntos en febrero de 2025 a 44 en mayo de este año. En la tabla recalificada, el primer modelo de imagen a vídeo tiene 51 puntos, mientras que Veo 3.1 Fast de Google (30 puntos) está al nivel de un modelo de código abierto de 2024 (32 puntos). El hallazgo del propio artículo es que la comprensión física no está correlacionada con que el clip parezca realista.

**Parecer realista está prácticamente resuelto; comportarse de forma realista, no.** En esta prueba, los mejores modelos siguen a mitad de camino entre 0 puntos y otra grabación real. Como se ha demostrado que realismo y comportamiento físico no están correlacionados, que la imagen sea más bonita no reduce automáticamente esa brecha.

Si esa puntuación se acerca a 100, los laboratorios de vídeo se convertirán en empresas de simulación que venden a estudios de videojuegos y fabricantes de robots; en ese mercado, la ventaja de ser pionero en vídeo será muy importante.

Conclusión: tres cifras decidirán el rumbo de esta industria

IOSF Research

La mayoría de las preguntas que deja este artículo pueden responderse con tres cifras:

**¿Cuántas generaciones se aprovechan?** Los únicos datos que tenemos son: entre el 4% y el 5% en el anuncio de Kalshi, y el 25% en un episodio de animación. Personalmente creo que la coherencia influirá más en esta cifra que la calidad bruta de imagen, y los laboratorios evolucionarán en esa dirección: construir entornos de generación que gestionen la coherencia y soporten mucho contexto, en lugar de perseguir una única generación sobresaliente.

**¿Cuánto cuesta realmente una hora de producto final?** Divida el precio de lista por la tasa de conservación. A los precios actuales, la misma hora de vídeo puede costar:

  • Veo 3.1 Lite (precio original): de 720 a 4.500 dólares
  • Seedance 2.5 Full HD: de 16.800 a 105.000 dólares
    Con esta fórmula, duplicar la tasa de clips utilizables y reducir el precio a la mitad tienen el mismo efecto de reducción de costes. La diferencia está en cuánto margen queda en cada uno. Con las tasas actuales del 4% al 25%, un modelo que hiciera utilizable cada generación reduciría el coste entre 4 y 25 veces. Los precios ya han bajado, y de forma desigual entre tramos. **Nuestra opinión es que en los próximos dos años la tasa de clips utilizables será la palanca más importante.** Si las próximas tasas publicadas siguen en torno al 4% y los precios siguen bajando, esta opinión será errónea.
  1. **¿Se sostiene el comportamiento físico?** Physics-IQ es la única prueba pública que comprueba si el movimiento de los modelos se ajusta al mundo real, y los mejores modelos obtienen aproximadamente la mitad de la puntuación de una imagen real; la brecha se reducirá antes en escenarios donde el modelo tiene imagen real como base.

Hace dos años, la pregunta era si el vídeo con IA podía ser lo bastante bueno visualmente. Esa pregunta ya está prácticamente respondida: el anuncio de Kalshi se emitió durante las Finales de la NBA, y Netflix usó imágenes generadas en series ya estrenadas.

Lo que sigue sin resolverse es el dinero y el control:

  • **¿Quién se lleva el dinero?** Los productores quieren un porcentaje cuando aparecen sus personajes, o mecanismos similares a regalías. La creación de fans con licencia de personajes, personas o ídolos podría crecer mucho.
  • **¿Qué nuevas posibilidades aparecerán?** Si la brecha física se reduce, los modelos de vídeo dejarán de ser generadores de clips para convertirse en simuladores. **Nuestra opinión: la primera intersección con demanda de pago será el entrenamiento de robots, es decir, que el modelo continúe imágenes de cámara reales.** Es el escenario con mayor puntuación actual (63 frente a 50), y GWM-1 de Runway ya vende este tipo de productos. Los videojuegos llegarán más tarde, porque necesitan que el modelo empiece desde cero y mantenga coherencia durante horas. Para 2027, esperamos que el mercado de simuladores siga siendo menor que el mercado de publicidad y producción del que deriva. Si antes de esa fecha un estudio de videojuegos lanza un título basado en un modelo de mundo generativo, esta opinión será errónea.

Este contenido se proporciona únicamente con fines informativos y educativos y no constituye asesoramiento de inversión relacionado con BTCC. BTCC realiza todos los esfuerzos posibles, pero no puede garantizar la veracidad, exactitud u originalidad del contenido anterior.