La diferenciación de las grandes empresas en el momento multimodal "Deepseek": ByteDance apuesta por la "eficiencia", Kuaishou se enfoca en la "especialización", Alibaba se centra en el "comercio electrónico"！

El inicio del año ha traído una serie de actualizaciones multimodales muy intensas: el 31 de enero, Kuaishou lanzó Kling 3.0; el 7 de febrero, ByteDance presentó Seedance 2.0; y el 10 de febrero, ByteDance lanzó Seedream 5.0 y Alibaba presentó Qwen-Image-2.0, reforzando la base de “generación de texto a imagen/edición de imágenes”.

La opinión del Instituto de Investigación de Huachuang Securities, expresada por Yao Lei en su informe del 12 de febrero, es clara: la generación de videos con IA ya no es solo una demostración técnica, sino que está evolucionando hacia herramientas que pueden integrarse en flujos de trabajo: “La generación de videos con IA está pasando de un entretenimiento de caja de sorpresas a una producción industrial precisa.” La principal dificultad para la comercialización, según el informe, radica en los costos marginales incontrolables causados por la “sistema de gachas”: la misma demanda requiere múltiples generaciones y revisiones, lo que hace que la tasa de desperdicio consuma tiempo y presupuesto.

El enfoque principal de las actualizaciones de Kling 3.0 y Seedance 2.0 no es solo mejorar la calidad visual, sino elevar la controllabilidad a una prioridad mayor: coherencia del sujeto en diferentes escenas, seguimiento semántico de instrucciones complejas y capacidades de edición que permiten modificar después de la generación, todo ello para reducir la tasa de desperdicio. La conclusión del informe es que estos avances tecnológicos sientan las bases para que la IA pueda integrarse en flujos de trabajo a escala en el sector B2B, impactando primero en publicidad para comercio electrónico y producción de cortometrajes o series animadas.

El informe desglosa el impacto en dos niveles: uno, la diferenciación de rutas de producto —ByteDance más enfocado en “infraestructura de eficiencia”, Kuaishou en “narrativa profesional”; y otro, una revolución en la oferta que redefine la estructura de costos —los costos marginales de producción de contenido se asemejan cada vez más a los costos de computación. En términos de oportunidades de inversión, el informe señala que los beneficios se concentran en IPs de contenido, derechos de autor, herramientas/modelos de videos con IA, y en las demandas de infraestructura en la nube y plataformas.

Lo que realmente se ha resuelto es el costo incontrolable derivado de la “sistema de gachas”

El informe enfatiza repetidamente una cadena lógica: que la dificultad pasada de comercializar videos con IA no era por incapacidad técnica, sino por la inestabilidad en la producción: con el mismo guion, mismo material y mismas instrucciones, la calidad de los resultados fluctúa mucho, obligando a los creadores a generar varias veces para asegurar resultados, lo que hace que los costos marginales se disparen.

El informe sostiene que la importancia de los nuevos modelos radica en posponer la “capacidad de generación” y priorizar la “controllabilidad”: mediante arquitecturas multimodales nativas, alineación de instrucciones y refuerzo en la coherencia del sujeto y el seguimiento semántico, se puede reducir la tasa de desperdicio, bajando así los costos totales de producción de videos. La barrera para la comercialización se redefine — pasa de “¿se puede hacer?” a “¿se puede entregar de forma estable?”.

Kling 3.0 apuesta por un “aspecto cinematográfico”: mayor realismo físico y narrativa lógica extendida

El informe resume las palabras clave de Kling 3.0 en dos aspectos: una actualización sistemática de capacidades básicas y una integración de generación y edición (Omni).

En el lado del video, las mejoras principales de Kling 3.0 incluyen: mayor coherencia del sujeto en escenas con múltiples cámaras o acciones continuas; análisis más detallado de instrucciones complejas; reducción de confusiones en referencias múltiples en pantalla, con énfasis en la “mapeo preciso entre texto y personajes visuales” (incluyendo multilingüismo, acentos dialectales y naturalidad en movimientos labiales y expresiones).

El modo Omni es otra innovación destacada: permite realizar modificaciones controladas en contenido ya generado, reduciendo la necesidad de empezar desde cero. Además, se mencionan dos capacidades más orientadas a la creación profesional: una, la creación de personajes (extracción de características y tono de voz para un ajuste preciso en movimientos labiales y conducción); y dos, la capacidad nativa de personalizar escenas, con una duración máxima de 15 segundos por generación, permitiendo especificar duración, encuadre, perspectiva, contenido narrativo y movimientos de cámara a nivel de escena.

En cuanto a imágenes, Kling Image 3.0 también se presenta como una parte complementaria del “flujo de trabajo”: soporta hasta 10 imágenes de referencia para definir contornos, elementos clave y tonos; las referencias pueden ser modificadas libremente; soporta generación en lote para storyboards o paquetes de material; y mejora la salida en alta definición y detalles.

Seedance 2.0 convierte el video en una “herramienta industrial programable”

El informe posiciona a Seedance 2.0 más como una “norma industrial”: enfatiza en la base la coherencia física, movimientos naturales, comprensión precisa de instrucciones y estabilidad en el estilo; además, destaca tres capacidades principales: optimización de coherencia (desde rostros hasta vestuario, detalles tipográficos y cambios de escena); reproducción controlada de movimientos y tomas complejas; y reproducción precisa de plantillas creativas y efectos especiales complejos.

Lo más importante es el paradigma de interacción. El informe considera que Seedance 2.0, al usar “@nombre del material” para especificar el uso de imágenes, videos o audios, descompone la generación en un proceso de producción controlado: el modelo puede extraer detalles específicos de @video, @imagen o @audio, reduciendo significativamente la tasa de desperdicio.

Las limitaciones y usos indicados en el informe también reflejan restricciones de producción: soporta hasta 9 imágenes de entrada; hasta 3 videos con una duración total máxima de 15 segundos; hasta 3 archivos de audio en MP3, también con un máximo de 15 segundos; un máximo de 12 archivos en entradas combinadas; duración de generación hasta 15 segundos (opcional entre 4 y 15); y salida con efectos de sonido o música incorporados. En cuanto a la organización de materiales, “primer y último cuadro” y “referencias completas” corresponden a diferentes formas de estructurar los recursos.

ByteDance apuesta por “infraestructura de eficiencia”, Kuaishou por “narrativa profesional” y Alibaba por enfoque vertical en comercio electrónico

El análisis del informe sobre la competencia no se centra tanto en rankings de rendimiento, sino en las estrategias de los actores.

Resume que ByteDance se orienta a herramientas de bajo umbral, bajo costo y capacidad de generalización, similar a una versión avanzada de “Jianying”, con el objetivo de reducir los costos de producción de contenido en toda la red y fortalecer su ecosistema; Kuaishou se enfoca en simulación física, realismo en escenarios complejos y coherencia de personajes, más adecuado para demos de cine y contenido profesional con alta exigencia de continuidad; y Alibaba, con su modelo Qwen, se especializa en escenarios verticales como el comercio electrónico, fortaleciendo capacidades de digitalización de productos.

Estas tres rutas no apuntan a un mismo modelo de negocio: una busca escala y volumen, otra busca narrativas de alta calidad, y la tercera busca la “productividad inmediata” en sectores verticales específicos.

Revolución en la oferta de contenido: costos marginales convergen hacia costos de computación, y la propiedad intelectual se vuelve más escasa

En la visión de comercialización, el informe presenta una revolución en la oferta de contenido, con un tono muy ambicioso: tras la mejora en capacidades de bases de datos de imágenes y videos, los costos marginales de producción de contenido tenderán a igualarse cada vez más a los costos de computación.

A corto plazo, se anticipan dos cambios principales: aumento en la eficiencia de producción de material para marketing y comercio electrónico, mejorando márgenes; y una posible explosión de capacidad en la industria de series cortas y cortometrajes. A largo plazo, el foco se traslada a la propiedad intelectual: a medida que la producción de contenido se vuelve más fácil, la escasez de IPs se vuelve más valiosa, con los IPs principales y sus derivados alcanzando valores más altos, y las IPs de nivel medio también pudiendo revalorizarse mediante IA y video. Además, los gigantes con infraestructura de computación potente (nube) y escenarios de flujo cerrado (plataformas) serán los que más se beneficien de las llamadas a modelos y recursos en inferencia.

Aviso de riesgos y exención de responsabilidad

El mercado tiene riesgos, invierta con precaución. Este artículo no constituye consejo de inversión personal ni considera objetivos, situación financiera o necesidades específicas de ningún usuario. Los usuarios deben evaluar si las opiniones, puntos de vista o conclusiones aquí presentados son adecuados a su situación particular. La inversión es responsabilidad del lector.