La nostalgia por DALL-E 2 crece mientras los nuevos modelos de IA perfeccionan sus imágenes
La inteligencia artificial generativa ha avanzado a una velocidad difícil de seguir, pero no todo el mundo considera que cada mejora sea necesariamente un progreso. En las últimas semanas, una comparación publicada en X ha reavivado el debate sobre DALL-E 2, un modelo de generación de imágenes que muchos usuarios recuerdan ahora con más cariño que cuando estaba disponible.
La prueba enfrenta dos imágenes creadas a partir del mismo prompt: un bodegón de una galleta mojada en leche. Una versión procede de DALL-E 2 y la otra de modelos más recientes, como los que actualmente impulsan ChatGPT Images 2.0. Aunque las herramientas actuales ofrecen más resolución, precisión y control, una parte importante de las reacciones se inclina por la imagen antigua.
Cuando los defectos parecían una forma de estilo
DALL-E 2 llegó en abril de 2022 y OpenAI lo retiró en la primavera de 2026. Durante su etapa activa se convirtió en uno de los primeros sistemas capaces de generar imágenes convincentes a partir de una descripción escrita. Sus resultados, sin embargo, estaban lejos de ser perfectos: aparecían manos deformes, objetos mal colocados, textos ilegibles y composiciones que no siempre seguían las instrucciones.
Precisamente esas limitaciones son las que algunos usuarios echan de menos. Las imágenes de DALL-E 2 presentaban más grano, pinceladas visibles, texturas irregulares y una apariencia menos uniforme. El resultado podía parecer una fotografía imperfecta, una ilustración a medio terminar o una pintura con decisiones inesperadas.
Los modelos actuales suelen interpretar los prompts de forma mucho más literal. Un prompt es la instrucción escrita que recibe la IA para crear una imagen. Cuanto más detallada sea esa descripción, más probable es que el sistema intente reproducir cada elemento solicitado, con menos margen para la improvisación.
De la sorpresa a la obediencia
En sus primeros años, la IA generativa sorprendía porque no siempre hacía lo que se le pedía. Esa falta de control producía errores, pero también resultados con personalidad. Un modelo que omitía parte de una instrucción podía introducir una composición inesperada o una textura que el usuario no había previsto.
En cambio, las herramientas contemporáneas están diseñadas para cumplir mejor las órdenes, generar detalles más realistas y mantener la coherencia entre distintos elementos. Esa capacidad resulta esencial para diseñadores, anunciantes y profesionales que necesitan repetir un estilo o modificar una imagen con precisión, pero puede reducir el componente de accidente.
La nostalgia por DALL-E 2 no implica necesariamente que fuera un modelo superior. En muchos aspectos objetivos era claramente peor. La cuestión es que sus errores eran visibles y reconocibles, mientras que los sistemas actuales tienden a producir imágenes más pulidas, homogéneas y parecidas entre sí.
El problema de optimizar lo que se puede medir
La evolución de la generación de imágenes se ha centrado en objetivos fáciles de evaluar: más resolución, mayor realismo, mejor comprensión del texto y menos fallos anatómicos. La industria ha asumido que una imagen más detallada y fiel a la descripción es también una imagen mejor.
Pero la percepción artística no funciona siempre de ese modo. Una pintura puede resultar atractiva por lo que omite, una fotografía puede ganar expresividad gracias al desenfoque y una grabación musical puede sonar más viva con cierta distorsión. La perfección técnica no garantiza una mayor capacidad para emocionar o transmitir una intención.
Entre los especialistas, parte de este fenómeno se relaciona con la sobreoptimización mediante aprendizaje por refuerzo con feedback humano. Este proceso ajusta el comportamiento de un modelo utilizando valoraciones de personas, que indican qué resultados consideran más útiles, seguros o agradables. El sistema aprende a repetir esos patrones, aunque el criterio utilizado no recoja todos los matices del gusto humano.
En la práctica, si los evaluadores premian la nitidez, el realismo y el cumplimiento exacto de las instrucciones, el modelo tenderá a maximizar esas cualidades. Puede mejorar en las métricas observadas y perder otras que nadie estaba midiendo, como la rareza, la ambigüedad o la capacidad de generar una imagen verdaderamente inesperada.
La imperfección vuelve a convertirse en un producto
La reacción recuerda a otros ciclos tecnológicos. La fotografía digital impulsó una nitidez extrema, pero muchos fotógrafos terminaron utilizando filtros para recuperar el grano de la película analógica. En el sonido, la limpieza de las grabaciones digitales llevó a productores y músicos a añadir ruido de cinta, saturación o pequeñas imperfecciones para conseguir una sensación más orgánica.
Con las imágenes generadas por IA está ocurriendo algo parecido, aunque a mayor velocidad. Algunos estudios de diseño ya ofrecen filtros y procesos para imitar el aspecto de DALL-E 2 sobre imágenes creadas con modelos recientes. El objetivo no es recuperar sus errores más evidentes, sino recrear la textura, el color y la imprevisibilidad que muchos usuarios asocian con aquella primera etapa.
También existen herramientas que permiten introducir deliberadamente variaciones, grano y desviaciones respecto al prompt. Estas opciones buscan combinar la capacidad técnica actual con una dosis controlada de imperfección, en lugar de volver por completo a un modelo antiguo.
El debate no está cerrado
No todos los usuarios comparten esta visión. Para muchos profesionales, la precisión de los sistemas actuales supone un salto decisivo: permite crear campañas, prototipos y recursos visuales en menos tiempo, corregir elementos concretos y mantener una identidad gráfica coherente.
Además, parte del encanto atribuido ahora a DALL-E 2 procede de la memoria. Sus deformaciones y composiciones rotas se consideraban fallos cuando el modelo estaba en activo. Con el paso del tiempo, algunos de esos defectos se han reinterpretado como rasgos expresivos, del mismo modo que ocurrió con las limitaciones de tecnologías anteriores.
La disputa revela, en cualquier caso, que la próxima batalla de la IA generativa no se librará únicamente en el terreno de la resolución o el realismo. Cuando los modelos son capaces de producir imágenes técnicamente impecables, el valor puede estar en decidir qué imperfección conservar. La nostalgia por DALL-E 2 apunta a una paradoja: cuanto mejor aprende una máquina a obedecer, más interés despierta su capacidad para equivocarse.
