Los generadores de imágenes de IA fallan con los mapas: son datos
Pídale a cualquier modelo de imagen un mapa de Portugal y obtendrá algo inconfundiblemente un mapa e inconfundiblemente no Portugal. La costa se abomba donde no debe. Las carreteras se meten en el mar. Las etiquetas parecen convincentes y no significan nada.
Esto se despacha como un problema de calidad, como si un modelo más grande fuera a llegar ahí con el tiempo. No va a llegar. El fallo es estructural, y saber por qué le dice dónde encaja la imagen generada dentro del trabajo con mapas y dónde no.
Un mapa no es una imagen de un lugar
Un modelo de imagen se entrena para producir salida que parezca venir de la distribución de entrenamiento. Ese objetivo es extraordinariamente bueno para algunas cosas. La piel tiene cierta translucidez, el asfalto mojado refleja de cierta manera, la luz tardía cae a cierto ritmo. Son propiedades estadísticas de la apariencia, y la apariencia es lo que mide la función de pérdida.
La corrección de un mapa no es una propiedad de la apariencia. Vive en relaciones que el objetivo no puede ver:
- Una costa no es una textura, es una curva concreta. El modelo aprende que las costas son irregulares, algo fractales, más ondulantes en los estuarios. No tiene ningún mecanismo para aprender esta secuencia concreta de puntos. Una costa plausible satisface la pérdida.
- Los topónimos son datos ligados a coordenadas. En un mapa real, la etiqueta y la posición son un solo hecho. Para el modelo son dos regiones de píxeles sin relación que resulta que aparecen juntas.
- Una red de carreteras tiene topología. Las carreteras conectan. Los cruces los comparten exactamente las carreteras que se encuentran ahí. Una ruta o pasa o no pasa. «Parece una red de carreteras» y «es una red de carreteras» son objetivos distintos, y solo el primero está entrenado.
- La escala es una restricción sobre toda la imagen a la vez. Cada distancia tiene que estar de acuerdo con todas las demás y con la barra de escala. Nada en la generación fuerza una consistencia global así.
- Fronteras, ríos y costas tienen que estar de acuerdo entre sí. Un río que cruza una frontera dos veces es una afirmación factual, y el modelo no puede comprobarla.
- Las proyecciones son matemáticas. Mercator, Robinson y las proyecciones equivalentes distorsionan de formas definidas. Un mapa generado no tiene ninguna proyección, solo el aspecto promedio de varias.
No hay ninguna representación de la verdad sobre el terreno dentro del modelo. Ni comprimida, ni difusa. Lo que sostiene es un modelo muy bueno de a qué se parecen los mapas, que es un objeto completamente distinto.
Más parámetros no van a arreglar esto
El pensamiento instintivo siguiente es que se trata de un problema de resolución y que la próxima generación lo hará mejor. Merece la pena ser preciso sobre por qué eso no aplica.
Escalar un modelo generativo mejora la fidelidad a la distribución sobre la que se entrenó. Hace que la salida plausible sea más plausible. Si lo que necesita es un hecho concreto y recuperable —la forma de la costa noruega a 1:250.000, la secuencia de salidas de la A4—, la fidelidad distribucional no lo produce nunca. Eso es un problema de consulta, y no hay ninguna tabla en la que consultarlo.
La costura se ve en los contornos famosos. Italia sale más o menos con forma de bota, porque esa silueta está lo bastante sobrerrepresentada como para que el prior sea fuerte. Mire sin embargo el borde adriático: difiere cada vez. El modelo reconstruye una aproximación de una forma memorizada, no la recupera. En algún sitio menos icónico —la costa de Maine, el Danubio a su paso por Serbia— el prior es débil y la salida es invención.
La red de carreteras falla igual. Una carretera que muere contra un edificio es indistinguible a primera vista de una que no, y las dos satisfacen una pérdida calculada sobre píxeles. La corrección topológica es invisible para la señal de entrenamiento. No es un bug que se parchee en el siguiente recuento de parámetros.
Las etiquetas legibles hicieron el problema más peligroso
Deberíamos ser justos con lo que sí mejoró, porque algo mejoró.
Los modelos de la generación Gemini 3 —Nano Banana 2 y Nano Banana Pro— renderizan texto legible dentro de la imagen. Ese es un salto real. El antiguo gemini-2.5-flash-image no podía hacerlo en absoluto; pídale cualquier cosa etiquetada y obtenía formas de letra que se disolvían bajo inspección.
Pero un mapa es sobre todo etiquetas, y la legibilidad era solo la mitad del problema.
Estos modelos renderizan texto plausible, no texto correcto. En un póster esa distinción no existe, porque no hay ningún hecho que equivocar. En un mapa es todo. El nombre de un pueblo nítido y perfectamente legible colocado a cuarenta kilómetros del pueblo real no ha mejorado por ser legible. Ha empeorado.
El texto ilegible es evidentemente decorativo. Nadie navega guiándose por un borrón. Un lector ve formas de letra emborronadas y concluye correctamente que esto es la ilustración de un mapa. Déle a esa misma imagen una tipografía nítida y segura y empieza a hacer afirmaciones, y los lectores, razonablemente, se creen la tipografía. El modo de fallo pasó de obvio a invisible, la dirección equivocada para cualquier cosa que se use para encontrar un sitio.
Los números se comportan igual. Barras de escala, cotas de elevación, referencias de cuadrícula, distancias: renderizadas de forma plausible, ninguna calculada. Para sacarle el máximo al texto dentro de la imagen donde sí es apropiado, vea nuestra guía de prompting de Nano Banana. Un mapa no es uno de esos sitios.
Para mapas de verdad, use herramientas de mapas
Nada de esto es un problema difícil. Es un problema resuelto, y resuelto en otro sitio. La cartografía real corre sobre geodatos reales, y las herramientas son maduras y en su mayoría gratuitas:
- MapLibre GL JS o Mapbox GL JS para mapas vectoriales interactivos en el navegador.
- Leaflet cuando el requisito es un mapa ráster ligero con chinchetas y sin estilizado vectorial.
- APIs de teselas estáticas cuando de verdad necesita un PNG plano en vez de un lienzo interactivo: un request, una imagen, coordenadas reales.
- Extractos de OpenStreetMap, Natural Earth y una cadena de herramientas GeoJSON (QGIS, D3, generación de SVG a pelo) cuando quiere los datos subyacentes y control estilístico total.
La última merece énfasis. Mucho de lo que se pide como «genérame un mapa» es en realidad «un diagrama estilizado de una región con nuestras ubicaciones encima»: territorios de ventas, zonas de reparto, un localizador de tiendas. Dibujado como SVG a partir de datos de fronteras reales y con las etiquetas como nodos de texto, eso es exacto, escala limpio, se traduce editando una cadena y pasa una auditoría de accesibilidad. Como píxeles no es nada de eso.
Dónde se gana de verdad su sitio la imagen de mapa generada
Esto no es un argumento de que los modelos de imagen no pinten nada cerca de la cartografía. Hay casos en los que son la herramienta correcta, y comparten una propiedad: nada de la imagen tiene una verdad sobre el terreno que pueda contradecir.
Mapas de fantasía y de videojuego. Nadie puede verificar la costa de un lugar que no existe. Este es el caso más fuerte: mapas de worldbuilding, material de mesa, atrezo dentro del juego. Use aquí Nano Banana Pro y no un nivel más barato, porque los topónimos inventados siguen teniendo que ser legibles, y la tipografía legible con estilo es aquello por lo que está pagando los $0.075 de Pro.
Hand-drawn fantasy map illustration on aged parchment, sepia and umber ink
with watercolour washes. An invented archipelago of seven islands with a
mountainous main landmass, hatched coastal shading, a sailing ship and a
sea serpent in the open water. Place names in an ornate hand-lettered
serif: "THALVEN REACH" across the main island, "CARRIC ISLE" on the
northern island. No other text anywhere in the image.
Textura y fondo bajo una capa de mapa real. Papel envejecido, una aguada topográfica, un patrón abstracto de curvas de nivel, un relieve de terreno situado detrás de teselas vectoriales en vivo. La capa generada no lleva información, así que no puede llevar información errónea. Nano Banana 2 Lite a $0.0238 es el nivel correcto, y le disuadiríamos de nada más caro: está generando papel pintado, y la profundidad compositiva de Pro y sus roles de imagen de referencia no le compran nada en papel pintado.
Abstract topographic contour pattern, flat vector style, thin concentric
lines in muted sage green on a warm cream ground, evenly distributed across
the frame with no focal point. Seamless texture feel, low contrast, quiet.
No text, no labels, no numbers, no compass, no legend.
Arte con aire de mapa a nivel de ilustración. Aperturas editoriales, guardas de libro, una cabecera decorativa donde el lector ve de inmediato que esto es dibujo y no dato. Empújelo con fuerza hacia la ilustración —color plano, pincelada visible, estilización deliberada— para que nadie lo confunda con una referencia.
Si lo que está montando es una diapositiva con el diagrama de una región encima, ese es otro problema con otras herramientas, y lo escribimos en herramientas de IA para presentaciones profesionales. Si está sopesando qué nivel de Nano Banana encaja con un trabajo en general, nuestra comparación a cuatro lo cubre. Y si vino aquí queriendo un archipiélago sobre pergamino y no una costa real, ese es el trabajo para el que están construidos de verdad todos los modelos de la categoría text-to-image. Inventar un lugar, no registrarlo: el catálogo entero es bueno exactamente en eso.
La versión corta: use un motor de mapas cuando la imagen tenga que ser cierta, y un modelo de imagen cuando solo tenga que ser buena.
Preguntas frecuentes
¿Por qué son tan malos los generadores de imágenes de IA generando mapas?
Porque están entrenados para producir salida que se parezca a sus datos de entrenamiento, y la corrección de un mapa vive en cosas que el parecido no puede capturar. Una costa es una curva concreta y no una textura, los topónimos son datos ligados a coordenadas, y una red de carreteras tiene topología. No existe ninguna representación de la verdad geográfica sobre el terreno dentro del modelo, así que genera algo con forma de mapa en lugar de algo cierto.
¿Acabarán los modelos de IA más grandes generando mapas exactos?
No solo por escala. Escalar mejora cuánto se parece la salida a una distribución de entrenamiento, lo que hace los mapas plausibles más plausibles y no más correctos. Recuperar una costa o un trazado de carreteras concretos es un problema de consulta, y un modelo generativo de imagen no tiene ninguna tabla de consulta a la que acudir.
¿Puede Nano Banana Pro generar un mapa utilizable?
Genera una imagen con aire de mapa y etiquetas legibles, que no es lo mismo que un mapa utilizable. Nano Banana Pro renderiza texto legible con estilo de forma fiable, así que las palabras son nítidas, pero son palabras inventadas en posiciones inventadas. Úselo para mapas de fantasía y arte decorativo de mapas, nunca para nada por lo que una persona vaya a guiarse.
¿Por qué es peor el texto legible en un mapa generado que el texto emborronado?
El texto emborronado señala con claridad que una imagen es decorativa, mientras que la tipografía nítida se lee como autoridad. El nombre de un pueblo perfectamente legible en el sitio equivocado invita al lector a fiarse. La legibilidad mejoró en los modelos de la generación Gemini 3; la corrección no. Esa distancia es lo que hace peligrosas las etiquetas seguras de sí mismas en un mapa.
¿Qué debería usar en lugar de un generador de imágenes de IA para mapas?
Herramientas de mapas de verdad construidas sobre geodatos de verdad: MapLibre GL JS o Mapbox GL JS para mapas vectoriales interactivos, Leaflet para mapas ráster ligeros con marcadores, una API de teselas estáticas cuando necesita una sola imagen plana, o SVG generado a partir de datos de OpenStreetMap y Natural Earth. Todas producen geometría exacta y texto editable y traducible.
¿Son buenos los mapas de fantasía generados con IA?
Sí, y este es el caso en el que la tecnología encaja limpiamente con el trabajo. Un mundo ficticio no tiene ninguna verdad sobre el terreno que contradecir, así que la plausibilidad es el único requisito, y la plausibilidad es lo que optimizan estos modelos. Nano Banana Pro es el nivel correcto, porque los topónimos inventados siguen necesitando ser legibles.
¿Qué modelo debería usar para una textura de fondo de mapa?
Nano Banana 2 Lite, a $0.0238 por imagen. Las texturas de fondo no llevan información, así que no pueden llevar información errónea, y ninguna de las razones para pagar un nivel superior —prompts compositivos largos, imágenes de referencia separadas por rol, texto fiable dentro de la imagen— aplica a un patrón que va detrás de una capa de mapa en vivo.