Expón la generación de imagen, video y voz como herramientas que tu agente puede llamar. El agente decide qué crear, envía la petición y revisa el archivo que vuelve antes de seguir. Tú pones los pasos de aprobación y los límites, y puedes probar cada prompt antes en el toolkit.
Un agente que solo escribe texto se topa con un muro en cuanto una tarea necesita una imagen, un clip o una voz. Las herramientas multimedia derriban ese muro. El agente decide qué crear, llama a una herramienta con un prompt, recibe un archivo y lo mira antes de seguir. El servidor MCP de Picasso IA está pensado para ese patrón: imagen, video y voz del mismo catálogo que ejecuta el toolkit, disponibles para cualquier cliente que hable MCP.
MCP, el Model Context Protocol, es un protocolo abierto que permite a un asistente de IA llamar a herramientas externas. Un cliente como Claude Desktop, Claude Code o Cursor se conecta a un servidor, ve las herramientas que ofrece y las usa en mitad de una conversación. Con el servidor de Picasso IA, esas herramientas generan medios en lugar de traer datos.
La ventaja práctica es que el agente deja de entregarte una lista de tareas. Pídele el anuncio de un producto y puede redactar el texto, crear la imagen de cabecera, montar un clip corto y grabar la locución en una sola pasada, y luego enseñártelo todo junto. Revisas un conjunto terminado en lugar de copiar prompts entre cinco pestañas.
Detrás de las herramientas está el mismo catálogo que el toolkit: 502 modelos, entre ellos 212 de texto a imagen, 121 de texto a video y 24 de texto a voz. Se aplica el mismo sistema de créditos, así que cada generación cuesta créditos que dependen del modelo y de los ajustes. El acceso funciona con una clave que creas en tu cuenta, y conviene tratarla como una contraseña. El catálogo muestra entre qué puede elegir el agente, y la página de precios explica cómo funcionan los créditos y los planes.
Un agente que usa bien las herramientas multimedia sigue siempre los mismos tres pasos. Decide qué crear, llama a la herramienta y revisa el resultado. El tercer paso es el que la gente se salta, y es el que evita que un resultado malo llegue a un usuario.
Decidir es donde pesan tus instrucciones. Un agente al que dices que ilustre este artículo inventará su propia idea de lo que eso significa. Un agente al que dices que haga una imagen de cabecera en 16:9, en estilo de ilustración plana y sin texto en la imagen, tiene un brief que puede seguir y un listón al que se le puede exigir. Escribe el brief como lo escribirías para un freelance que no puede hacerte preguntas.
Llamar es una petición por generación. El agente envía un prompt y los archivos adjuntos, espera mientras el modelo trabaja y recibe el resultado como un archivo que puedes descargar. Generar lleva tiempo, más en video que en una imagen fija, así que un agente bien construido espera un resultado antes de planear el siguiente paso en lugar de encolar diez y confiar en la suerte.
Revisar es cuando el agente compara lo que volvió con el brief. Puede mirar una imagen fija, leer la transcripción de un clip de voz o muestrear unos fotogramas de un video, y luego decidir si acepta, reintenta con un prompt cambiado o se detiene y te pregunta.
Imagen, video y voz no son intercambiables, y tampoco lo son los modelos dentro de cada grupo. La tabla empareja cada medio con la decisión que toma el agente y la comprobación que debería ocurrir antes de seguir. Los nombres de modelos son puntos de partida que puedes probar en el toolkit, no una recomendación fija.
| Medio | Qué decide el agente | Qué comprobar antes de seguir | Modelos para probar |
|---|---|---|---|
| Imagen | Motivo, estilo, relación de aspecto | Sin texto suelto, número correcto de objetos, manos y caras intactas | flux-2-pro, nano-banana |
| Edición de imagen | Qué elemento cambiar y cuál conservar | Que lo no tocado siga realmente igual | nano-banana, flux-kontext-pro |
| Video | Duración del plano, movimiento, cámara | Movimiento natural, sujeto coherente entre fotogramas | veo-3.1-fast, kling-v3-video |
| Voz | Guion, voz, ritmo | Nombres y cifras bien pronunciados, sin palabras cortadas | speech-2.8-turbo, qwen3-tts |
| Música | Ambiente, duración, instrumentación | Encaja con el video donde irá, sin final abrupto | lyria-3, music-1.5 |
Dos hábitos hacen que la tabla funcione en la práctica. Primero, deja que el agente use el modelo más barato y rápido para los borradores y uno más potente solo para la versión final, y díselo en sus instrucciones. Segundo, mantén una lista corta de modelos que el agente puede usar. Un catálogo abierto del todo es demasiada elección para un sistema que no distingue el gusto, y una lista de tres o cuatro hace sus resultados más consistentes de una ejecución a otra.
Este es el recorrido desde una idea hasta un agente que crea medios bajo petición. Da por hecho que ya tienes un cliente compatible con MCP y una cuenta.
El servidor da herramientas al agente. No decide cuánta libertad tiene. Esa parte la configuras tú en tu agente o cliente, y conviene hacerlo antes de la primera tarea real, porque un agente que puede gastar créditos sin preguntar acabará gastándolos en un bucle que no previste.
Trata el saldo de créditos como el presupuesto del agente. Dile el máximo de generaciones por tarea, dile que pare y pregunte cuando una petición pasaría de ese número, y deja las generaciones de video tras una aprobación manual, porque cuestan más créditos y tardan más.
Empieza estricto. Una primera configuración sensata pide aprobación antes de cada video, permite unos pocos intentos de imagen por tarea y exige que el agente te enseñe el resultado antes de usar un archivo en cualquier sitio público. Muchos clientes pueden pedirte confirmación en cada llamada a una herramienta, que es el paso de aprobación más simple que existe.
Afloja una regla cada vez. Si las imágenes salen bien de forma fiable tras cincuenta tareas, deja que el agente las lance sin preguntar. Mantén a una persona delante de todo lo que lleve una cara, una voz o una afirmación asociada. Usa solo tu propia imagen o personajes ficticios, nunca una persona real e identificable, y nunca clones una voz que no tengas derecho a usar.
Una página honesta dice dónde deja de ser útil la herramienta. En agentes que generan medios hay cinco sitios:
Nada de esto es motivo para saltarse las herramientas. Es el motivo por el que el agente hace borradores y una persona da el visto bueno.
Significa que el agente puede llamar a una herramienta que genera una imagen, un clip de video o una grabación de voz, igual que llamaría a una herramienta de búsqueda. El agente decide qué crear, envía una petición con un prompt y recibe un archivo que inspeccionar. Sin las herramientas, solo puede describir el medio con palabras y dejarte el resto a ti.
MCP, el Model Context Protocol, es un protocolo abierto que permite a un asistente de IA llamar a herramientas externas mediante una conexión estándar. Al ser un estándar, un mismo servidor funciona con cualquier cliente que lo soporte, como Claude Desktop, Claude Code o Cursor. El servidor MCP de Picasso IA lo usa para poner la generación de imagen, video y voz dentro de la conversación.
El agente trabaja con el mismo catálogo que el toolkit, que ahora tiene 502 modelos. Eso incluye 212 modelos de texto a imagen, 121 de texto a video, 24 de texto a voz y 10 de música, entre otros. Puedes acotar la lista en las instrucciones del agente, algo que conviene para que los resultados sean consistentes de una tarea a la siguiente.
Sí. El acceso al servidor MCP funciona con una clave que creas en tu cuenta, y esa clave actúa en tu nombre y gasta tus créditos. Trátala como una contraseña: no la dejes en chats compartidos, repositorios públicos ni capturas de pantalla, y cámbiala si crees que se ha filtrado. El toolkit en sí no necesita clave, porque es un espacio de trabajo en la aplicación web.
Sigue tus instrucciones. Si le dices que las entradas del blog llevan una imagen de cabecera y que los lanzamientos de producto llevan un clip corto y una locución, elegirá el medio según la tarea. Cuanto más clara la regla, menos sorpresas, así que anota qué medio corresponde a cada trabajo y qué debe hacer el agente cuando una tarea no encaja en ninguno.
Cada generación cuesta créditos, y la cantidad depende del modelo y de los ajustes que elija el agente. El video suele costar más que una imagen fija, y un modelo potente más que uno rápido. Esta página no cita cifras porque cambian, así que mira la página de precios para los planes y usa el toolkit para ver lo que cuesta un modelo concreto antes de ponerlo en tu agente.
Pon el límite en sus instrucciones y usa las confirmaciones de tu cliente. Fija un máximo de generaciones por tarea, exige confirmación antes de cualquier video y dile al agente que pare y pregunte cuando una petición supere el tope. Empieza con reglas estrictas y relájalas una a una a medida que los resultados se ganen tu confianza.
En parte. Puede inspeccionar una imagen fija, leer la transcripción de un clip de voz y comparar el resultado con tu brief, y eso atrapa fallos evidentes como texto suelto o un objeto que falta. No puede juzgar el gusto, el encaje con la marca ni si una voz suena adecuada para tu audiencia, así que mantén a una persona en la revisión final de todo lo público.
Solo con tu propia imagen o con personajes ficticios. Nunca generes a una persona real e identificable, y nunca clones una voz que no tengas derecho a usar. Si el agente puede recibir fotos o audio de otras personas, indica en sus instrucciones que debe rechazar esas peticiones y preguntarte a ti.
Abre el toolkit y ejecuta allí los mismos prompts. Usa el mismo catálogo, así que puedes comparar modelos, ver cómo queda una imagen o un clip y escuchar una muestra de voz antes de escribir una sola instrucción. Las dudas sobre la configuración o tu cuenta van al soporte.
¿Quieres ver qué te devolvería tu agente? Abre el toolkit, ejecuta los prompts que piensas darle y juzga primero los resultados.
Elige tu idioma
