Ir al contenido principal
Español— Elegir un idioma
Menú

Flujos de trabajo multimodales: combinación de texto, imágenes y archivos

Lección 14 de 14 Actualizado el 5 de noviembre de 2026 Intermedio
En esta página
  1. El principio
  2. Del terreno al informe
  3. Análisis financiero visual
  4. Producción de contenido ilustrado
  5. Auditoría con cruce de fuentes
  6. Cuándo pasar a ChatGPT Work
  7. Diseña el tuyo
  8. Tu turno
  9. Puntos clave
  10. Pon a prueba tus conocimientos

Utilizadas por separado, las capacidades que acabas de aprender son útiles. Combinadas en una única conversación, su escala cambia por completo. Texto, imágenes, archivos y voz se entrelazan para llevar a cabo tareas que antes requerían múltiples herramientas, varias exportaciones y una manipulación manual extensa. Esta última lección trata sobre el ensamblaje.

El principio

Un flujo de trabajo multimodal encadena múltiples tipos de entrada y salida dentro de una única conversación hacia un objetivo definido. Cada paso aprovecha una capacidad diferente y el contexto persiste de principio a fin; esta persistencia es lo que lo distingue de una serie de solicitudes aisladas. Un flujo de trabajo de inteligencia competitiva ilustra el panorama completo.

  1. Sube un archivo Excel con datos de ventas de la competencia
  2. Sube capturas de pantalla de sus sitios web
  3. Solicita un análisis comparativo en texto
  4. ChatGPT produce un informe con gráficos generados
  5. Refinas puntos para explorar más usando voz

Los cuatro escenarios siguientes aplican este principio a situaciones profesionales habituales.

Del terreno al informe

Vuelves de una feria comercial y necesitas producir un resumen para tu equipo. Durante el día, fotografía stands, carteles, tarjetas de visita y demostraciones de productos; envía estas fotos a ChatGPT sobre la marcha, junto con notas de voz para dar contexto: es el momento en que las impresiones están frescas y escribir es menos práctico. Las tarjetas de visita contienen datos personales: conserva solo lo que necesite tu informe. Por la noche, pasa a la estructuración: «Aquí tienes todas las fotos y notas de mi visita a la feria. Organiza esta información por expositor. Para cada uno, indica: nombre de la empresa, productos presentados, puntos de interés y relevancia para nuestro negocio». A continuación, solicita el entregable: «Genera un informe estructurado en formato Word con un resumen ejecutivo, detalles por expositor y mis recomendaciones de seguimiento. Incluye las fotos relevantes». En una hora, pasas de un montón de fotos a un documento listo para la dirección.

Análisis financiero visual

La misma lógica se aplica a una revisión trimestral del rendimiento, pero empezando por un archivo. Sube tu hoja de Excel con los KPI y solicita el trabajo de análisis: «Analiza estos datos. Calcula la evolución respecto al trimestre anterior. Identifica los 3 mejores resultados y las 3 alertas». Verifica estas cifras antes de avanzar: un error aquí se propagará y amplificará en todo lo que siga, hasta los gráficos que presentes.

Una vez validado el análisis, solicita los elementos visuales: «Genera un cuadro de mando visual con 4 gráficos: evolución de ingresos, desglose por producto, comparación por equipos y tendencia de 4 trimestres». Después, ocupa el formato final: «Compila todo en un documento resumen de 3 páginas: cifras clave en la página 1, gráficos en la página 2 y recomendaciones en la página 3».

Producción de contenido ilustrado

Para un artículo de blog completo, el flujo de trabajo empieza con la materia prima: sube tus documentos de referencia, PDF o artículos, y solicita un esquema detallado. La redacción se hace luego sección por sección, iterando sobre el tono, la profundidad y los ejemplos, en lugar de exigir el artículo entero de una vez.

Los elementos visuales vienen después, dentro de la misma conversación, garantizando coherencia con el texto escrito justo antes: «Genera una ilustración de cabecera para este artículo, con estilo de diseño plano profesional. Crea luego 3 diagramas explicativos para las secciones 2, 4 y 6». Finalmente, añade el pulido editorial: «Propón 5 títulos llamativos, escribe la metadescripción SEO y sugiere 10 palabras clave relevantes». Un artículo completo, ilustrado y optimizado producido en una única sesión.

Auditoría con cruce de fuentes

El último escenario muestra el valor de mezclar fuentes de distinta naturaleza. Para auditar la presencia en línea de un cliente, sube primero capturas de pantalla de su sitio web, páginas de redes sociales y resultados de búsqueda de Google; después, sube exportaciones de Analytics: tráfico, tasa de rebote y fuentes. Solicita entonces lo que ningún conjunto de datos puede ofrecer por sí solo: «Cruza los datos de Analytics con las capturas de pantalla del sitio web. Identifica páginas con alto tráfico pero baja interacción y correlaciónalo con su diseño visible en las capturas». Termina con el entregable: «Produce un informe de auditoría con capturas de pantalla anotadas que muestren las áreas problemáticas y sugerencias de mejora para cada una».

Cuándo pasar a ChatGPT Work

Para un flujo de trabajo largo que aproveche múltiples fuentes y deba producir un entregable real —un documento, una hoja de cálculo o una presentación—, ChatGPT Work es la herramienta diseñada por OpenAI: crea o edita estos archivos, según tu plan y la configuración del espacio de trabajo. Incluso puedes controlarlo por voz con Live, en web y móvil, y la tarea continúa en texto tras la llamada. Mantén los mismos reflejos: un objetivo claro, fuentes elegidas y tu aprobación antes de cualquier envío.

Un flujo de trabajo multimodal Cuatro pasos: fotos o capturas de pantalla para el terreno; un archivo para los datos; un análisis en texto que cruce ambas fuentes; un entregable, documento, hoja de cálculo o presentación, con ChatGPT Work si es necesario, validando cada paso. COMBINAR ENTRADAS Un flujo de trabajo multimodal 1 Imágenes Terreno, capturas de pantalla 2 Archivo Los datos 3 Análisis Cruce de fuentes 4 Entregable Documento o diapositivas Para un entregable extenso, ChatGPT Work toma el relevo; valida cada paso antes del siguiente.
Basado en los artículos «ChatGPT Voice» y «Creating and editing documents, spreadsheets, and presentations with ChatGPT Work» del Centro de ayuda de OpenAI (noviembre de 2026).

Diseña el tuyo

Estos cuatro ejemplos comparten un método aplicable a cualquier tarea compleja. Primero, define el objetivo final: ¿qué entregable o decisión persigues? A continuación, enumera las entradas disponibles —archivos, imágenes, información— y secuencia los pasos decidiendo el orden en que ChatGPT debe procesar estos elementos. Especifica qué salida intermedia debe producir cada paso y valida esos resultados antes de continuar. Todo depende de la descomposición: una tarea compleja se convierte en una serie de pasos cortos, cada uno aprovechando una capacidad específica.

Tres trampas suelen repetirse para quienes descubren estas cadenas. La primera es enviarlo todo de una vez, sin instrucciones asociadas a cada elemento: el contexto se vuelve ilegible. La segunda es perder el hilo en una conversación larga; un simple «Recordatorio: estamos trabajando en la auditoría para el cliente X» lo restablece todo. La tercera es intentar ejecutar un proyecto entero en una única sesión: más allá de cierto volumen, es mejor dividirlo en varias conversaciones temáticas.

Tu turno

Tu mini-flujo de trabajo. Construye tu propio mini-flujo de trabajo con al menos tres tipos de entrada. Sube una foto —tu producto, tu espacio de trabajo, un evento— y luego un archivo relacionado con el mismo tema. Solicita un análisis en texto que cruce la información visual y los datos del archivo, y termina con un entregable: informe, presentación o plan de acción. Cronometra el proceso y compáralo con el tiempo que habría llevado hacer lo mismo manualmente. Este delta decidirá qué flujos de trabajo conservas como plantillas.

Fuentes oficiales: ChatGPT Voice · Creating and editing documents, spreadsheets, and presentations with ChatGPT Work · Uploading files and audio to ChatGPT (Centro de ayuda de OpenAI)

Puntos clave

  • La potencia de ChatGPT multimodal reside en combinar texto, imágenes, archivos y voz dentro de un único flujo de trabajo
  • Descompón tareas complejas en pasos secuenciales, cada uno aprovechando una capacidad diferente
  • Valida los resultados de cada paso antes de pasar al siguiente
  • El contexto persiste durante toda la conversación: aprovéchalo
  • Crea plantillas de flujo de trabajo para tus tareas recurrentes y ahorra tiempo en cada ejecución

Pon a prueba tus conocimientos

Imágenes, voz, archivos: verifica tu kit de herramientas multimodal.

1. ¿Qué puede hacer ChatGPT con una foto de un documento?

Respuesta: OCR y análisis: extraer texto, estructurar datos (incluidas tablas) y responder preguntas sobre el contenido; la foto se convierte en una fuente utilizable.

2. ¿Cómo consigues una imagen generada fiel a tu intención?

Respuesta: Describiendo el sujeto, el estilo, la composición y los detalles, e iterando: ChatGPT Images ofrece mejores resultados cuando el prompt especifica el encuadre y las restricciones, no solo un tema.

3. ¿Qué permite la edición de imágenes existentes?

Respuesta: Modificar una imagen proporcionada —sustituir un elemento, cambiar un estilo, ajustar un área— describiendo el cambio deseado, sin empezar desde cero.

4. ¿En qué casos el modo de voz supera al texto?

Respuesta: Práctica de idiomas, coaching, lluvia de ideas: el intercambio hablado es más rápido y natural, y se combina con las mismas capacidades que la escritura.

5. ¿Qué es un flujo de trabajo multimodal?

Respuesta: Una cadena que combina entradas y salidas: analizar un PDF, extraer sus datos, generar el visual correspondiente y redactar el resumen; cada modalidad sirve al paso siguiente.

Esta última lección lo ensambla todo: inspírate en sus flujos de trabajo para construir los tuyos.