Serie de entrevistas con el Dr. Yair Adato, director ejecutivo y fundador de Bria.

Dr. Yair AdatoYair Yair, CEO y fundador de Bria, es un experto en aprendizaje automático y visión artificial reconocido por su capacidad para integrar tecnología avanzada con aplicaciones empresariales reales. Antes de fundar Bria, fue CTO de Trax Retail, donde desempeñó un papel fundamental en la transformación de la empresa, convirtiéndola de una startup de 20 personas en un unicornio global con más de 850 empleados. A lo largo de su trayectoria profesional, Yair también ha colaborado como asesor en diversas empresas impulsadas por IA, como Sparx, Vicomi, Tasq, DataGen y Anima. Su liderazgo se caracteriza por un firme compromiso con la innovación responsable, la propiedad de los datos y la democratización de la tecnología de IA.

Bria Bria es una empresa pionera en el campo de la IA generativa visual responsable, fundada con la misión de crear una plataforma abierta y ética para la generación de imágenes. Su enfoque único recompensa a los propietarios de datos por sus contribuciones mediante un sistema de atribución, lo que garantiza la transparencia y la equidad en el ecosistema de la IA. Al centrarse en la creatividad, la colaboración y el cumplimiento normativo, Bria permite a las organizaciones integrar la IA generativa de forma segura en sus flujos de trabajo, a la vez que establece nuevos estándares de responsabilidad y confianza en la industria del contenido visual.

Fundaste Bria para crear una plataforma responsable y abierta para la IA generativa visual. ¿Qué te inspiró a fundar la empresa y qué desafíos o ideas iniciales marcaron su rumbo?

Vi a Goodfellow presentar el artículo sobre GAN en 2014, e inmediatamente quedó claro que la producción creativa iba a cambiar radicalmente. Al ver esa presentación, las implicaciones eran obvias: no se trataba solo de una mejora incremental, sino de un paradigma diferente sobre cómo las máquinas podían aprender a generar contenido visual.

Pero desde el principio, reconocí una deficiencia fundamental en la forma en que se estaban construyendo estos sistemas: ninguna responsabilidad por los datos de entrenamiento, ningún marco para una implementación responsable, ninguna consideración por los creadores cuyo trabajo lo hizo posible.

Los primeros desafíos no fueron técnicos, sino estructurales. ¿Cómo se construye una IA generativa que potencie el trabajo creativo sin menoscabar a quienes lo crean? ¿Cómo se logra que estos sistemas sean utilizables en entornos de producción donde la seguridad jurídica es tan importante como la calidad del resultado? Estas preguntas dieron forma a todo lo que desarrollamos. Fundamos Bria con el principio de que la innovación y la responsabilidad no son fuerzas opuestas; deben avanzar juntas, o la tecnología nos fallará a todos.

Tu formación académica en visión artificial y tus más de 50 patentes vinculan la investigación con la innovación en el mundo real. ¿Cómo ha influido esa experiencia en la hoja de ruta tecnológica y la estrategia a largo plazo de Bria?

Mi experiencia en investigación me enseñó a pensar en sistemas: cómo se conectan las diferentes capas de comprensión para formar significado. Muchas de mis patentes se centran en cómo las máquinas interpretan la estructura de la información visual, y esa mentalidad se tradujo naturalmente en el enfoque de Bria. Consideramos la generación de imágenes como un proceso compositivo, no aleatorio.

Pero las patentes no se limitan a la tecnología; buscan conectar la tecnología con la realidad empresarial. Una parte importante de nuestra cartera de propiedad intelectual se centra en la capa de sistemas: ¿cómo crear marcos de atribución que vinculen el contenido generado con sus fuentes de entrenamiento? ¿Cómo construir modelos económicos que compensen a los creadores a gran escala? No se trata de problemas puramente técnicos, sino de cuestiones de infraestructura, modelos de negocio y diseño de mercado.

Esa visión más amplia definió nuestra estrategia a largo plazo. La innovación no se limita a perfeccionar los modelos subyacentes, sino que implica crear nuevas estructuras económicas, nuevos marcos contractuales y nuevas formas de que el sector opere de manera sostenible. El objetivo no es solo obtener mejores resultados, sino comprender cómo se generan, quiénes contribuyeron a ellos y cómo fluye el valor a través del sistema. Ahí es donde la ciencia se une al pensamiento de producto y a la arquitectura empresarial.

Bria acaba de anunciar FIBO, descrito como el primer modelo de base visual determinista del mundo para la generación de IA de nivel profesional. ¿Qué hace que FIBO sea fundamentalmente diferente de los sistemas de IA visual existentes?

El nombre mismo revela nuestro enfoque: FIBO son las siglas de Fibonacci, la secuencia matemática famosa por sus propiedades estéticas intrínsecas. La proporción áurea —la relación entre números consecutivos en la secuencia de Fibonacci— se manifiesta en lo que percibimos como proporciones visualmente armoniosas en matemáticas, artes visuales, geometría y arquitectura. La observamos en las dimensiones del Panteón romano y la Casa Blanca, en el cuerpo y el rostro humanos, como se ilustra en el Hombre de Vitruvio de Leonardo da Vinci, y en todas las formas naturales. Esa conexión entre la estructura matemática y la belleza visual es precisamente lo que representa FIBO: la calidad estética a través de la estructura formal.

FIBO modifica la relación entre intención y resultado. La mayoría de los sistemas de IA visual insertan capas de interpretación entre lo que se desea y lo que se obtiene: se escribe una instrucción, el modelo la traduce mediante codificadores de lenguaje, la procesa con ruido y se espera que el resultado coincida con la visión. FIBO elimina por completo esas capas.

Logramos que la IA visual funcionara como código: cada elemento creativo se vuelve editable y repetible. Esto supone un gran avance para los profesionales que se han visto obligados a trabajar con un sistema de incógnitas. Esto significa que cada elemento, dirección de la luz, ángulo de cámara, paleta de colores, composición y estilo existe como una propiedad explícita y controlable. La estructura JSON permite modificar solo los parámetros deseados, mientras que el resto permanece bloqueado. Se puede ajustar la intensidad de la luz sin afectar la composición o cambiar el ángulo de la cámara sin alterar la paleta de colores. El sistema ejecuta exactamente lo que se especifica, siempre.

Estamos organizando hackatones con Fal y NVIDIA para mostrar a los desarrolladores cómo funciona realmente la generación determinista en la práctica. La estructura JSON en sí misma revela el funcionamiento interno: se puede ver con exactitud qué parámetros crearon una imagen, reproducirla y modificarla con precisión. Es un paradigma completamente diferente al de la ingeniería de prompts.

Los sistemas tradicionales de conversión de texto a imagen se basan en instrucciones cada vez más complejas para lograr resultados específicos. ¿Cómo resuelve el enfoque de FIBO el problema de la complejidad de las instrucciones?

Es necesario abordar dos problemas. Primero, los problemas de aleatoriedad en las indicaciones existen porque los modelos actuales intentan extraer la intención del usuario y añadir lo que el modelo «considera» estético o deseable mediante la mejora de las indicaciones. Segundo, la falta de control sobre las propiedades profesionales.

FIBO invierte este enfoque. El modelo se entrenó con descripciones visuales de más de 1,000 palabras por imagen, que codifican explícitamente más de 100 atributos independientes en formato JSON. Este formato no se procesó ni se extrajo posteriormente; se utilizó como formato de entrenamiento nativo. Dado que cada atributo se representa estructuralmente desde el principio, el modelo aprendió la composición visual como un conjunto de parámetros discretos y controlables, en lugar de como una interpretación imprecisa del texto.

En la práctica, esto significa que la intención estética se define mediante la estructura, no a base de prueba y error. El nivel de alineación entre texto e imagen es fundamentalmente superior porque no existe una capa de traducción. Se habla el idioma nativo del modelo. Y como las propiedades son independientes, se puede iterar sobre la iluminación sin alterar accidentalmente la composición, o ajustar la paleta de colores sin afectar al estilo. El control es preciso.

FIBO introduce un flujo de trabajo de "refinamiento" distinto a la generación iterativa típica. ¿Cómo cambia esto el enfoque de los profesionales hacia la producción visual?

La mayoría de los flujos de trabajo generativos son iterativos y frustrantes: generas, evalúas, ajustas la solicitud, vuelves a generar y esperas que el resultado sea mejor. Es un proceso de "solicitar y rezar". Nunca sabes con certeza qué cambió ni por qué.

Refine transforma la experimentación en diseño. No se trata de adivinar qué podría hacer una nueva instrucción, sino de controlar la imagen, del mismo modo que se ajusta la luz o el color en Photoshop. No es necesario trabajar directamente con el JSON: un modelo de lenguaje visual lo modifica automáticamente basándose en instrucciones en lenguaje natural. Pero el propio JSON permite comprender con precisión lo sucedido. Se genera una imagen inicial, se examina su representación JSON, se identifican las propiedades que necesitan ajuste (quizás la intensidad de la luz sea demasiado alta o el ángulo de la cámara deba modificarse 15 grados) y se modifican únicamente esos valores mediante instrucciones sencillas. Todo lo demás permanece inalterable.

Esta estructura es ideal para flujos de trabajo basados ​​en agentes. Un agente de IA puede analizar el JSON, comprender el estado completo de la imagen, realizar modificaciones específicas y explicar su razonamiento, todo ello gracias a que los parámetros son explícitos e interpretables. El agente no adivina el efecto de un cambio en las instrucciones; realiza ajustes precisos a propiedades conocidas.

Esto elimina la imprevisibilidad que ha mantenido a los profesionales escépticos respecto a la IA generativa. Cuando se puede ver el conjunto completo de parámetros que creó una imagen, comprender qué controla cada propiedad y modificar atributos individuales con la seguridad de que nada más se desviará, ya no se está experimentando, sino diseñando. La visibilidad del JSON abre completamente la caja negra. Para los flujos de trabajo de producción profesionales, donde la consistencia y el control son más importantes que la novedad, esta es la diferencia entre un juguete creativo y una herramienta de producción.

La ética de los datos y la seguridad de marca se han convertido en elementos centrales de la IA empresarial. ¿Cómo garantiza Bria, mediante el uso de datos con licencia completa y derechos autorizados, tanto el cumplimiento normativo como el respeto a la propiedad intelectual de los creadores?

Desde el primer día, decidimos que, para que la industria creciera de forma responsable, debía comenzar con la integridad de los datos. Cada imagen utilizada para entrenar a FIBO proviene de fuentes con licencia y derechos autorizados, gracias a alianzas con líderes de contenido como Getty Images y Envato. Esto garantiza que nuestros modelos cumplan con la normativa y sean justos. Consideramos el respeto a los creadores como parte fundamental de la cadena de valor, no como una limitación. Las empresas se benefician de esta integridad, ya que les brinda la seguridad jurídica y ética necesaria para crecer con confianza.

FIBO fue entrenada para aprender el estilo y la identidad de marca únicos de cada empresa. ¿Cómo cambia esta capacidad la forma en que las marcas globales abordan la creación de contenido y la coherencia visual?

Las marcas poseen su propio ADN visual: una forma única de expresar emoción, confianza y propósito a través del diseño. FIBO puede aprender ese lenguaje. Una vez entrenada, genera elementos visuales que reflejan la misma composición, tono y atmósfera que definen la identidad de una marca. Esto transforma la IA de un asistente creativo en un activo de marca. Ayuda a equipos globales a crear con coherencia, no con aproximaciones. El resultado es consistencia a gran escala sin perder la individualidad.

Dado que los primeros usuarios ya utilizan FIBO para automatizar el diseño de envases, las imágenes de productos y las campañas creativas, ¿qué resultados o comentarios le han llamado más la atención hasta ahora?

El cambio de mentalidad. Los equipos están empezando a considerar la IA como parte de su conjunto de herramientas operativas, no como una novedad. Una marca global está generando variantes de empaque regionales mucho más rápido, manteniendo la coherencia de la marca. Otra agencia creativa líder ha acelerado el desarrollo de campañas diez veces mediante la iteración controlada. Pero la señal más clara proviene de los directores creativos, quienes nos comentan que se sienten con mayor control; que el modelo comprende su intención visual. Esto representa un punto de inflexión para la industria.

Bria se posiciona como líder en IA ética y controlable. ¿Cómo cree que esta filosofía influirá en las futuras regulaciones o estándares de la industria para la IA visual?

Hemos llegado a una etapa en la que la innovación y la gobernanza deben avanzar de la mano. La regulación no es un obstáculo, sino la infraestructura para el crecimiento sostenible. Nuestro enfoque —datos transparentes, resultados deterministas y procedencia clara— se alinea estrechamente con las demandas de las políticas emergentes. Creo que veremos nuevos estándares que prioricen la trazabilidad, la explicabilidad y la protección de los derechos. La filosofía de Bria es contribuir a definir esos estándares mediante la práctica, no a través de declaraciones políticas.

De cara al futuro, ¿cuál es el siguiente paso para Bria después de FIBO? ¿Se plantean expandirse hacia la IA multimodal que unifique la generación de imágenes, vídeo y 3D bajo un marco controlable?

Sí. Los mismos principios que impulsan FIBO —estructura, control y transparencia— se aplican a todos los dominios visuales. Ya estamos explorando extensiones para vídeo y 3D, donde el determinismo puede brindar la misma fiabilidad que las empresas ya tienen con las imágenes. Nuestro objetivo es simple: lograr que la creatividad de la IA sea tan controlable y segura como escribir código, y extenderla a todos los medios visuales, desde imágenes y vídeo hasta 3D.

Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Bria.