Combinación de modalidades: flujos de trabajo multimodales
En esta página
Actualización 2 de noviembre de 2026 — Le Chat pasa a llamarse Vibe. Desde el 28 de mayo de 2026, Le Chat ha cambiado de marca y ahora se llama Vibe (sigue disponible en chat.mistral.ai): un único agente para el trabajo y la programación que mantiene tus conversaciones, configuraciones y suscripciones. La experiencia heredada de Le Chat sigue accesible en el modo Chat; en el modo Work, los agentes se han convertido en habilidades (que se invocan con
@), las memorias actúan como base de conocimientos y la investigación profunda es ahora la habilidad Deep Research. Los planes se denominan ahora Mistral Free, Pro, Team y Enterprise. Esta lección utiliza el nombre Vibe; ten en cuenta que algunos menús descritos aquí pueden haber cambiado de nombre o de ubicación.
El poder de la multimodalidad combinada
A lo largo de este curso, has explorado tres capacidades fundamentales de Mistral AI: la visión para el análisis de imágenes, el audio para la transcripción y la síntesis de voz, y el procesamiento de documentos con OCR inteligente. Por separado, cada una es impresionante. Pero combinarlas en un único flujo de trabajo desbloquea todo su potencial: las fuentes se cruzan y se complementan, generando resultados que superan lo que cualquier modalidad podría lograr por sí sola. Esta lección te muestra cómo orquestar estas combinaciones.
Imagen + texto: más allá de la descripción
El caso de uso más habitual consiste en enriquecer una imagen con instrucciones de texto precisas. La diferencia entre un prompt débil y uno rico es abismal. Toma una captura de pantalla de una diapositiva de PowerPoint: «Describe esta imagen» genera una paráfrasis sosa. En cambio, «Esta es una diapositiva de nuestra presentación para inversores. Reformula el mensaje principal para un público general» o «Esta diapositiva muestra nuestros resultados trimestrales. Identifica las tres cifras clave y sugiere un título atractivo» aprovecha tanto la comprensión visual del modelo como su capacidad de redacción, haciendo que el resultado sea inmediatamente utilizable.
El mismo principio se aplica a las fotos de campo. «Aquí tienes una foto de nuestro stand en la feria. Sugiere mejoras para atraer a más visitantes» convierte al modelo en un consultor; «Esta foto muestra la distribución actual de nuestra oficina. Propón una reorganización para mejorar la colaboración» lo transforma en un planificador de espacios. En ambos casos, el contexto textual dirige el foco del modelo.
También puedes combinar varias imágenes con una instrucción comparativa: tres maquetas de diseño acompañadas de «Clasifica estas maquetas por claridad visual y justifica tu clasificación», o una foto de antes y después de una reforma con «Estima el porcentaje de avance e identifica las tareas pendientes».
Audio + documento: el resumen inteligente
Un flujo de trabajo especialmente potente cruza la transcripción de audio con el análisis de documentos. El escenario clásico es una reunión: primero sube el orden del día (PDF) a Vibe, luego la grabación de la reunión y, finalmente, pregunta: «Aquí tienes el orden del día y la grabación de nuestra reunión. Para cada punto del orden del día, resume lo que se ha decidido y enumera las acciones a realizar». El modelo coteja ambas fuentes para producir un resumen estructurado punto por punto; mientras que la transcripción por sí sola te daría un largo texto literal que editar, y el orden del día por sí solo sería un cascarón vacío.
La variante para estudiantes funciona igual de bien: sube las diapositivas del curso en PDF y, a continuación, la grabación de audio del profesor, y pide: «Crea apuntes de repaso completos combinando las diapositivas con las explicaciones orales del profesor». Las diapositivas aportan la estructura y las definiciones exactas; el audio añade explicaciones, ejemplos y énfasis. Los apuntes finales son mucho más ricos que lo que podría ofrecer cualquiera de las dos fuentes por separado.
Cuatro flujos de trabajo profesionales para replicar
Para la inteligencia competitiva, haz capturas de pantalla de las páginas de inicio de tres competidores, súbelas a Vibe y pregunta: «Compara estas tres páginas de inicio. Identifica los puntos fuertes y débiles de cada una en cuanto a mensaje, diseño y llamada a la acción».
Para la incorporación de clientes, sube el contrato firmado (PDF) seguido del brief del cliente (documento o imagen), y pregunta: «Resume los compromisos contractuales y cotejalos con las expectativas del brief. ¿Hay alguna inconsistencia?». Detectar estas discrepancias a tiempo evita descubrir a mitad del proyecto que una promesa de ventas no figura en el contrato.
Para el análisis de eventos, combina tres fuentes: fotos del evento, grabaciones de audio de los discursos y el programa (PDF), y luego pregunta: «Elabora un informe posterior al evento que destaque los momentos clave, las citas memorables y una evaluación de hasta qué punto se ha cubierto el programa».
Para la formación interna, invierte el flujo: graba tu explicación oral de un proceso, deja que Vibe la transcriba, pide «Convierte esta transcripción en una guía de procedimientos estructurada con pasos numerados» y, a continuación, añade capturas de pantalla con «Integra las descripciones de estas capturas como ilustraciones para cada paso». En cuatro mensajes, una explicación improvisada se convierte en documentación formal.
Ejecución fluida del proceso
Unos pocos hábitos hacen que estos flujos de trabajo sean mucho más fluidos. Contextualiza cada archivo que subas: «Este es el orden del día», «Aquí tienes la grabación correspondiente», para que el modelo asocie correctamente las fuentes. Para flujos complejos, avanza paso a paso: en lugar de enviarlo todo en un único mensaje, construye la conversación mensaje a mensaje, validando cada paso antes de pasar al siguiente. Nombra tus archivos de forma explícita antes de subirlos: «informe-t3-2026.pdf» informa al modelo; «documento.pdf» no lo hace. Y recuerda que el modo de voz es en sí mismo una modalidad de entrada: para instrucciones largas, dictalas en lugar de escribir un párrafo.
Puntos clave
- Combinar imagen + texto + audio + documento en un único flujo de trabajo multiplica las posibilidades
- Los flujos de trabajo más potentes cotejan múltiples fuentes: audio de reunión + orden del día, fotos + brief del cliente
- Contextualiza cada archivo subido para ayudar al modelo a establecer las conexiones correctas
- Avanza paso a paso en flujos de trabajo complejos en lugar de enviarlo todo de una vez
- El modo de voz puede servir como herramienta de entrada para instrucciones detalladas