El mundo del emprendimiento digital continúa evolucionando rápidamente, impulsado por innovaciones en inteligencia artificial. Una de las empresas que está a la vanguardia de esta revolución es Runway, conocida por su enfoque en modelos generativos de video en tiempo real. Ryan Phillips, responsable de productos empresariales de Runway ML, compartió valiosas lecciones en la reciente conferencia VB Transform 2026, destacando la importancia de integrar la evaluación efectiva y el desarrollo de soluciones creativas en el proceso de producción de modelos de AI.
Transformación de procesos y evaluación rigurosa
Desarrollar un producto de IA robusto comienza por establecer un conjunto de evaluación de alta calidad. Phillips subrayó que esta tarea debe ser un esfuerzo colaborativo que involucre a diferentes departamentos, desde el diseño hasta la investigación y ventas. La alineación de objetivos es crucial; de lo contrario, las empresas podrían carecer de una visión clara sobre lo que constituye una “generación exitosa”.
Una metodología aplicada en Runway consiste en realizar talleres internos donde los equipos analizan juntos ejemplos generados. Estas sesiones permiten identificar modos de falla y establecer una definición compartida de éxito. Phillips enfatizó que es esencial abordar incluso los detalles más ínfimos durante estas revisiones para mejorar la calidad del producto final.
El conjunto de evaluación no solo debe abarcar casos comunes, sino también extremos, para garantizar que el modelo funcione correctamente bajo diversas circunstancias. Un ejemplo que destacó fue el uso de «Tooth», un personaje no humano, para probar los límites del modelo.
Capacitación de modelos y conversión de problemas en soluciones
Entregar video generativo en tiempo real implica contar con una infraestructura técnica optimizada. El proceso inicia con el preentrenamiento de un modelo base, que es intensivo en recursos y lento en su producción. Para mitigar el tiempo de generación, Runway utiliza un proceso de destilación, que puede reducir entre un 80% y un 90% el tiempo de generación.
No obstante, esta técnica puede traer consigo nuevos desafíos. Phillips mencionó que al aplicar la destilación, el equipo enfrentó un problema específico: los personajes generados se desplazaban del centro del cuadro durante la producción del video. En lugar de seguir tratando de corregir este defecto en la arquitectura del modelo, la solución fue ofrecer una característica que centrara automáticamente la imagen del usuario antes de iniciar la generación del video, mejorando la experiencia del usuario y transformando un potencial obstáculo en una funcionalidad útil.
Optimización de infraestructura y monitoreo proactivo
Para asegurar la entrega eficiente de videos a 24 cuadros por segundo, es necesario optimizar todos los niveles de la infraestructura. Tras el lanzamiento de Runway Characters, se identificó que un 8% de las llamadas a la API estaban experimentando una caída a 16 cuadros por segundo. La resolución de este problema requirió un análisis detallado utilizando agentes de IA, junto con herramientas de monitoreo.
El equipo descubrió que el problema estaba relacionado con un centro de datos específico, lo que llevó a la decisión de reemplazar físicamente los GPUs para corregir la situación. Esto resalta la importancia de mantener una capacidad rigurosa de depuración en toda la stack de tecnología para asegurar un rendimiento óptimo del modelo.
Un futuro de creación colaborativa y desafíos inherentes
El desarrollo de sistemas de IA es un proceso complejo y no lineal. Phillips se refirió a una fase comúnmente experimentada por los equipos como «infierno de fallos», donde los problemas pueden paralizar el progreso durante semanas. Aun así, enfatizó que enfrentar estos desafíos es crucial para lograr mejoras significativas con el tiempo.
A medida que los modelos generativos se vuelven más eficientes, la función de los creativos en las empresas está evolucionando. Ya no se limitan a crear activos individuales; en cambio, deben diseñar un mundo que pueda ser utilizado por modelos generativos para crear contenido dinámico. Este enfoque no solo mejora la eficiencia, sino que también transforma la naturaleza del trabajo creativo, estableciendo nuevas oportunidades de innovación.