Máquinas de imagen y figuración sintética en la era digital

Gustavo Gordillo^[1] y Paula Bustos Paz^[2]

Simulacro e hiperrealidad en la cultura digital

Existe una fuerte fascinación por comprender –o al menos intentar hacerlo– cómo los modelos de ciencia ficción trascienden lo irreal para volcarse en un mundo tangible, perceptible y aparentemente real. Sin embargo, a menudo nos enfrentamos a una escasez de respuestas conscientes frente al convoy de preguntas que surgen de la necesidad de explicar aquello que no conocemos, pero queremos entender. Esa fascinación por lo ficticio tiende a obnubilar toda pretensión cognoscitiva, pues se ve opacada por el asombro frente a lo inexplicable o sorprendente. Este fenómeno se hace evidente en la película S1m0ne (2002), de Andrew Niccol, que constituye un claro ejemplo de cómo, frente a un mismo objeto –la imagen–, la fascinación y las expectativas desempeñan un rol fundamental en la construcción de la simulación. En ella se produce un punto de inflexión respecto de los límites de la tecnología, la autopercepción y, sobre todo, la visión poshumana de nuestra relación con las máquinas.

A la luz de los conceptos de simulacro y simulación propuestos por Baudrillard, la película permite comprender cómo, en la era digital, las imágenes ya no representan una realidad previa, sino que producen lo hiperreal: un mundo donde el signo sustituye al referente y lo real se confunde con su modelo. S1m0ne encarna esta lógica al presentar a una actriz virtual creada por un software que, aunque carece de existencia material, es aceptada por el público como auténtica. La ficción muestra así la potencia de la imagen como dispositivo autónomo, anticipando fenómenos contemporáneos de las plataformas digitales donde lo visible y lo textual construyen realidades sin necesidad de un original.

La trama del filme se centra en Viktor Taransky (Al Pacino), un director frustrado cuya actriz principal (Nicola Anders, interpretada por Winona Ryder) abandona el rodaje en plena producción, lo que amenaza con arruinar el proyecto. En este contexto aparece Hank Aleno (Elias Koteas), un informático enfermo de cáncer ocular debido a su trabajo frente a la pantalla, quien le ofrece a Taransky un programa en el que ha trabajado: Simulation One. Tras la muerte de Hank, Viktor recibe el software y descubre que se trata de una herramienta capaz de crear una actriz digital a partir de su propia visión del mundo. De allí surge S1m0ne, nombre abreviado de Simulation One, que metafóricamente alude al origen numérico de ceros y unos de su configuración digital.

La cuestión central que plantea la película es la representación del cuerpo virtual de S1m0ne: un cuerpo presente e inexistente a la vez, cuya materialidad/inmaterialidad se convierte en el eje de la fascinación de los personajes. La ausencia de corporeidad física no constituye un obstáculo para que sea aceptada como real; por el contrario, quienes la rodean no perciben ni aceptan su falta de cuerpo material. Así, sin advertirlo, se incorporan en la realidad virtual que ella misma genera, del mismo modo que S1m0ne se integra en la realidad de los demás. Este efecto refleja lo que ocurre en la actualidad con el uso de inteligencias artificiales generativas: nos dejamos arrastrar por la fluidez de las interacciones hasta abstraernos en una realidad virtual que asumimos como verdadera.

La imagen técnica: tradición, interfaz y cultura visual contemporánea

En esta clave, puede trazarse un paralelismo con las ideas platónicas sobre el mundo de las Ideas y el topos hyperuranios, así como con la tradición literaria de Mary Shelley, en la que un científico crea una criatura que interpela los límites de lo humano. Del mismo modo, S1m0ne, estrella digitalizada, encarna la ilusión de lo real en un contexto en el que la capacidad de manufacturar el fraude supera a la de detectarlo. La ficción plantea así la “muerte de lo real”, generando una crisis perceptiva en torno a la ontología de la imagen fotográfica y cinematográfica.

El personaje de S1m0ne no es simplemente la imitación de una mujer real, sino la representación artística de un ideal que a su vez remite a la idea culturalmente construida de lo femenino. En la era digital, este tipo de imágenes revela cómo la percepción, la invención y la tradición configuran nuevas posibilidades para el arte y la comunicación. Lev Manovich (2005) señala que la pantalla y la interacción del usuario permiten viajar por espacios inexistentes, lo que se observa en la experiencia de Taransky con Simulation One, un software capaz de crear un ser inteligente, dotado de conversación y proyección social.

S1m0ne se convierte, entonces, en una proyección de Viktor, en su simulación, un reflejo virtual que multiplica la ilusión de navegar por espacios donde lo físico y lo virtual conviven. Esto nos lleva a discutir si vivimos en una sociedad del espectáculo o de la simulación, pero no cabe duda de que se trata de una sociedad de la pantalla. Ejemplos históricos como el Sketchpad de Ivan Sutherland (1962), primera pantalla interactiva en tiempo real, muestran cómo estas experiencias ya prefiguraban la concreción de lo que hoy observamos en narrativas como S1m0ne.

La película, en definitiva, pone en evidencia el realismo sintético de la cultura visual contemporánea: un realismo que ya no mantiene un vínculo directo con el mundo existente, sino que se construye como hiperrealidad. Esta hiperrealidad, tal como señala Baudrillard, no se limita a la imitación ni a la parodia, sino que constituye un producto autónomo de síntesis y modelos combinatorios. La experiencia visual, como advierte José Luis Brea (2005), se teje a partir de elementos textuales, imaginarios, técnicos y políticos, lo que explica que lo visual y lo textual se fundan en una heterogeneidad inseparable.

Al mismo tiempo, este recorrido narrativo permite enlazar el análisis fílmico con problemáticas actuales que se desarrollarán más adelante: la manera en que las plataformas digitales organizan la producción cultural a partir de la captura y clasificación de datos, la lógica del efecto en red que asegura su monopolio, la estrategia de subvención cruzada que convierte la gratuidad en fuente de rentabilidad y la condición híbrida de las plataformas de producto, donde lo cultural se ofrece tanto como catálogo preexistente como producción recursiva bajo demanda. Desde esta perspectiva, S1m0ne puede leerse como precursora y alegoría de un régimen tecnocultural que hoy reconocemos en sistemas como Netflix o ChatGPT, infraestructuras de la percepción que disputan nuestra atención y reformulan las formas de habitar la cultura.

Plataformización de la IAG: régimen tecnocultural de ChatGPT como máquina de imagen

“¿En qué puedo ayudarte?” Así recepciona ChatGPT al usuario que se dispone a explorar sus bondades técnicas. Entre esas, su interfaz le permite producir e intervenir directamente en el diseño de un producto visual, posicionándolo en una suerte de artista minucioso, aunque con una paleta de silicio, llena de matices de bits y en forma de ratón.

La intuición que sigue este apartado parte del reconocimiento de que esta inteligencia maquínica implicó un cambio de paradigma en los modos de acceder al flujo de conocimiento en la web, en el sentido que supera y reemplaza el índice o catálogo de imágenes provisto por el buscador de Google mediante la oferta de contenido cultural sistematizado y personalizado. Sobre este escenario económico y político, se postula que la ontología de ChatGPT se encuentra en un proceso de plataformización, cuya característica distintiva es operar on demand. Tomando como referencia la clasificación de plataformas propuesta por Nick Srnicek (2021), así como las consideraciones de Sebastián Touza (2022) y los trabajos realizados por Agustín Berti (2022; 2025) sobre “plataformas de streaming”, puede inferirse que la operatividad de este agente conversacional exhibe las características tecnoculturales propias de las plataformas de productos y de servicios en la nube, aunque con algunas diferencias elocuentes.

El éxito de las plataformas como el de la inteligencia artificial puede explicarse en parte por la creciente disponibilidad de datos y por el desarrollo de medios materiales más eficientes para su almacenamiento y procesamiento. La naturaleza de los datos de entrenamiento es cultural y técnica. Una vez capturados los datos que una empresa big-tech requiere para entrenar un algoritmo, se inicia un proceso de clasificación denominado “metadatos”. Inicialmente, este recae en trabajadores humanos, cuyos sesgos culturales quedan inscriptos en los metadatos y, en consecuencia, en la cognición maquínica que recomienda o genera. El algoritmo aprende a identificar patrones dentro del vasto compendio de datos y a predecir comportamiento humano o las preferencias culturales. El objetivo de esta etapa es diseñar un algoritmo capaz de realizar estas tareas de manera autónoma, por ejemplo, la plataforma Netflix recomienda una serie, la inteligencia artificial generativa de ChatGPT o Leonardo.IA elabora texto o imagen según los patrones culturales del usuario y aquellos identificados en el prompt. En otros términos: ¿qué serie, película, texto o imagen espera obtener el usuario? ¿Qué puedo ofrecer o generar, a partir de la información disponible sobre el usuario y el universo cultural, que cumpla sus expectativas? Las máquinas inteligentes no piensan, y el modelo de lenguaje de ChatGPT no constituye una excepción. Sin embargo, en este experimento teórico puede imaginarse que, si así lo hicieran, estas serían las preguntas que se formularían al momento de ofrecer un contenido, producir un texto o derivar la instrucción hacia un modelo de imágenes. Al igual que ocurre con las plataformas, la extracción, clasificación y predicción de datos en la salida conforman la funcionalidad elemental de ChatGPT.

En este sentido, ChatGPT es una plataforma cuyo Large Language Model (LLM) goza actualmente de una amplia popularidad frente a los modelos de Anthropic o Google DeepMind. Esto se traduce en una base de usuarios significativamente mayor y, en consecuencia, en una fuente más extensa de datos. La condición de ChatGPT –que puede explicarse tanto por su incorporación en la conversación cotidiana cuando se habla de chatbots como por la proliferación de eventos académicos que lo tienen como objeto de análisis– puede entenderse en términos de “efecto de red” (Touza, 2022). En este caso, dicho efecto no implica que sistemas como Claude.IA o Gemini.IA sean menos eficientes, sino que, al igual que sucede con otras plataformas digitales, mientras más usuarios posee, más valiosa resulta para el resto. Esto produce al menos dos consecuencias: por un lado, la tendencia al monopolio; por otro, la expansión de los servicios que la plataforma ofrece. ChatGPT comenzó como un modelo estrictamente lingüístico, pero en la actualidad funciona como un medio capaz de derivar la acción cognitiva del prompt hacia otros modelos, cuando la solicitud se orienta a la generación de imágenes o videos. No es necesario, por lo tanto, acudir a otra inteligencia artificial generativa para la producción de contenidos visuales o audiovisuales, puesto que la propia interfaz de ChatGPT opera como “medio” de acceso que conecta a los usuarios con estos otros servicios. Este carácter de “medio total” consolida a ChatGPT como una infraestructura privada que centraliza la producción y circulación de contenidos culturales multimodales, acentuando la dependencia de los usuarios –y de las instituciones que la adoptan– respecto de un único proveedor.

Una pregunta particularmente relevante respecto a la “plataformización de ChatGPT” es si el acceso gratuito constituye un mecanismo de participación masiva en el entrenamiento de los modelos y, por lo tanto, en el diseño posterior de sus versiones aranceladas. En otras palabras, si el desarrollo y éxito de las versiones premium –como GPT-5 con “razonamiento avanzado”^[3] o AGPT-5 con “razonamiento profesional”^[4]– depende de la gratuidad de los modelos menos eficientes –como GPT-4 o mini–, en tanto su uso implica la provisión permanente de datos que se convierten en el insumo fundamental para la optimización y expansión del servicio (Wark, 2022).

La interacción gratuita no es, entonces, inocua: constituye una base de datos en sí misma. Allí se registran no solo consultas y solicitudes de textos e imágenes con estilos específicos, sino también información sobre los destinatarios, retroalimentaciones sucesivas, correcciones solicitadas y re-solicitadas cuando el producto inicial no cumple las expectativas. Tales dinámicas configuran un proceso “recursivo” en el que cada intervención del usuario enriquece el perfilamiento técnico y cultural del modelo. De este modo, el almacenamiento y la clasificación de los datos dejados por la actividad de los usuarios permiten tanto optimizar los modelos existentes como generar la materia prima indispensable para entrenar versiones más eficientes que, por cierto, se monetizan. A su vez, al igual que ocurre con las plataformas digitales en general, la versión gratuita o de libre acceso está subvencionada por quienes pagan las versiones premium. En este sentido, siguiendo a Touza (2022), la gratuidad no implica ausencia de valor económico, sino que forma parte de una estrategia de redistribución de costos y beneficios: mientras los usuarios gratuitos aportan datos y volumen de uso indispensables para el entrenamiento y perfeccionamiento de los modelos, los usuarios pagos financian la infraestructura material y aseguran la rentabilidad del sistema.

A partir de esta simetría ontológica entre plataforma y ChatGPT, es lícito considerar que este agente conversacional opera simultáneamente como “plataforma de producto” y como “plataforma de servicio en la nube”: por un lado, se asemeja a una plataforma de producto, en tanto lo que se consume o se solicita es un bien cultural; por el otro, opera como servicio en la nube, ya que su acceso se regula por distintos planes de suscripción y su lógica de negocio se sostiene en la provisión continua de infraestructura y actualizaciones^[5]. Esta condición híbrida constituye la particularidad de ChatGPT dentro del ecosistema de plataformas. La ontología plataformizada de esta inteligencia maquínica presenta derivas respecto a tres condiciones que caracterizan las plataformas de producto: la naturaleza del producto cultural ofrecido, la recomendación de contenido y la captura de la atención. Para este análisis se tomará como ejemplo Netflix, entendida como una “infraestructura de la percepción” orientada a disputar la atención mediante el relevamiento sistemático de la actividad de los usuarios, a fin de ofrecer un producto audiovisual que les “guste” y los mantenga conectados (Berti, 2022; 2025).

La diferencia decisiva entre Netflix y ChatGPT se encuentra en la ontología misma del “producto” cultural que cada uno vehiculiza, aunque ambos objetos digitales respondan a la característica on demand. En el caso de Netflix, se trata de objetos audiovisuales previamente fijados y almacenados en servidores remotos, cuya disponibilidad se regula on demand y mediante algoritmos de recomendación que perfilan estadísticamente al usuario. En cambio, en ChatGPT el objeto lingüístico o visual no se limita a una selección de un repertorio dado, sino que emerge en un proceso de generación recursiva bajo demanda, que confiere al producto un carácter de singularidad y co-producción. Mientras la plataforma de streaming distribuye un catálogo preexistente, la inteligencia maquínica opera sobre un bien cultural en perpetuo devenir, que no preexiste a la solicitud del usuario y cuya existencia se actualiza en cada instancia de interacción. Por ejemplo, el personaje de S1m0ne, en tanto precursora y reflejo de este fenómeno, es configurado a demanda de las circunstancias de su aparición pública en medios de comunicación, esto es, estado de ánimo, rasgos faciales, vestimenta, colores, ubicación geográfica, entre otros elementos.

En el marco de este proceso on demand, otra deriva clave entre ambos objetos digitales se manifiesta en la “recomendación algorítmica” del producto cultural. En Netflix, la heterogeneidad de datos que incorpora posibilita un tipo de personalización multidimensional, en el sentido de que “no altera sólo qué títulos se muestran, sino el orden, las miniaturas, los tráilers e incluso las sinopsis” (Ilcic, 2025, p. 57). Por su parte, el LLM de ChatGPT no funciona como un motor de recomendación, pero sí propone estilos, formas, colores, criterios de organización o modos de presentación de la información, ofreciendo al usuario la posibilidad de “aceptar” o rechazar tales sugerencias, lo que reconfigura recursivamente el producto en construcción. Mientras Netflix interpela con la pregunta explícita “¿te gustó lo que viste?”, orientada a nutrir su algoritmo y refinar la oferta futura, ChatGPT se dirige indirectamente a las preferencias estilísticas del usuario: sus aceptaciones, rechazos o nuevos comandos se convierten en insumos del modelo para optimizar los productos culturales que ofrecerá en futuras interacciones.

Andrés Ilcic (2025) advierte que el algoritmo de Netflix “intenta inferir causalidad (qué títulos realmente querés ver) en lugar de solo correlación (con qué títulos podrías interactuar)” (p. 58). En un sentido análogo, el LLM también genera sus productos culturales a partir de un proceso de correlación estadística revestido de causalidad, sustentado en los datos obtenidos de la memoria de los intercambios previos. Con sus últimas actualizaciones, ChatGPT sostiene que la memoria le permite “personalizar y hacer más eficiente la ayuda que te doy” (OpenAI, 2025). Según la propia aplicación, esta función sirve, entre otros fines, para:

• Recordar proyectos en los que estás […]
• Mantener preferencias de estilo […]
• Conservar detalles prácticos […]
• Facilitar seguimiento a tareas largas […] (OpenAI, 2025).

Junto con las preferencias del usuario, Netflix ofrece versatilidad, esto es, “ver lo que queremos, cuando lo queremos y donde lo queremos” (Berti et al., 2025). La experiencia que propone ChatGPT no se distancia demasiado de esta cualidad personalizada: su interfaz, también disponible en dispositivos móviles, busca responder a dos formas volitivas fundamentales del usuario: la inmediatez y la adecuación del producto solicitado. En otras palabras, se trata de “producir la imagen que queremos ver, cuando la queremos ver y donde la queremos ver”, como hace Víctor Taranski con su prototipo de simulación. La infraestructura técnica de estos sistemas inteligentes posibilita que la acción recursiva de promptear ocurra en escenarios cotidianos tan diversos como el sillón de la casa, el cordón de la vereda, un asiento de colectivo urbano o una sala de espera. Al desplazar la experiencia estética y cognitiva desde un espacio-tiempo delimitado hacia una práctica distribuida, continua y potencialmente ininterrumpida, esta ubicuidad reconfigura los modos de producción cultural.

Finalmente, la última deriva de este experimento mental de plataformizar a ChatGPT es la “disputa por la atención”. Como señala Berti (2022) respecto de las plataformas de streaming, estas infraestructuras de la percepción buscan capturar la atención de los usuarios, considerada hoy un bien escaso. En la superficie interfásica de Netflix, Berti identifica un botón que explicita esta finalidad: el de “reanudar”. Su lógica consiste en “volver a crear el nudo” mediante la reproducción automática de un nuevo episodio o la continuidad tras la pausa, lo que en última instancia equivale a reanudar la atención y, con ella, la producción de datos. En esa dinámica político-económica del entretenimiento, “la ficción serial resulta enteramente efectiva. La forma no clausurada, que ofrece el siguiente episodio que comienza en 5, 4, 3, 2, 1…” […] (Berti, 2022, p. 133). Por su parte, ChatGPT y sus motores de producción cultural no parecen operar bajo la lógica de la disputa por la atención, precisamente porque no interpelan al usuario mediante estrategias de re-anudamiento como la pregunta “¿sigues ahí?” o el catálogo de “recomendado para ti”, que no solo aparece en la interfaz, sino que también se distribuye a los correos declarados por los suscriptores. Tampoco buscan replicar la dinámica de la ficción serial, dado que el procedimiento generativo busca que los productos visuales sean clausurados. En este sentido, aunque anteriormente se mencionó que se desarrolla una cadena de recomendación de estilos, organización de la información, síntesis, ampliación o ajustes estéticos de la imagen, estas interpelaciones no están orientadas al entretenimiento ni a prolongar el tiempo de producción de datos frente a la pantalla. Su propósito es ofrecer soluciones concretas a necesidades de índole laboral o académica, satisfaciéndolas con la mayor precisión posible. Las mejoras en los modelos, como GPT-5 con “razonamiento avanzado” o AGPT-5 con “razonamiento profesional”, buscan precisamente la clausura del producto cultural en el menor tiempo posible, es decir, con la menor cantidad de prompts necesarios. Es cierto que un usuario satisfecho por la eficiencia del sistema volverá a utilizarlo, pero lo hará con el objetivo de ahorrar tiempo y energía que la misma tarea requeriría de forma manual. Lo que se infiere de este funcionamiento es que la agencia digital de estos sistemas habilita e inhibe simultáneamente dos fenómenos interconectados: por un lado, limita la permanencia del usuario frente a la interfaz gracias a la eficiencia de sus respuestas; por otro, facilita prácticas de utilidad frente a las lógicas del entretenimiento.

Por último, siguiendo a Tiziana Terranova (2017), se considera que la pregunta que conviene hacerse aquí es otra, a saber, si la promesa de la automatización desmaterializada, que libera energía productiva al realizar una tarea de forma rápida y eficiente, genera efectivamente más tiempo de descanso para los trabajadores o, por el contrario, si esta energía y tiempo se reintegran al sistema productivo. En este sentido, las plataformas de streaming constituyen un interesante nodo de acceso a esta discusión.

Bibliografía

Baudrillard, J. (1977). Cultura y simulacro (P. Rovira, Trad.). Lectulandia.

Berti, A. (2022). Nanofundios: Crítica de la cultura algorítmica. La Cebra/UNC.

Berti, A. (director) (2025). Plataformas de streaming. Una economía de la dispersión. La Cebra/UNC

Flusser, V. (2023). El universo de las imágenes técnicas: Elogio de la superficialidad (J. Tomasini, Trad.; C. Kozak, Introd.). Caja Negra Editora.

Ilcic, A. (2025). Pensamos que podría gustarte. En A. Berti (Editor), Plataformas de streaming. Una economía de la dispersión. La Cebra/UNC

Mitchell, W. J. T. (2017). ¿Qué quieren las imágenes? Una crítica de la cultura visual (I. Mellén, Trad.). Sans Soleil Ediciones.

Srnicek, N. (2021). Capitalismo de plataformas. Caja Negra.

Terranova, T. Red stack attack! Algoritmos, capital y la automatización del común. En A. Avanessian & M. Reis (Comps.), Aceleracionismo. Estrategias para una transición hacia el postcapitalismo. Caja Negra, 2017

Touza, S. (2022). Plataforma. En Parente, D., Berti, A., & Celis, C. (Coords.), Glosario de filosofía de la técnica. La Cebra.

Wark, M. (2022). El capitalismo ha muerto. El ascenso de la clase vectorialista. Holobionte Ediciones.

---