Roto, wire removal y cleanup con IA: dónde está parado el pipeline hoy
En 2026, vendors como MARZ ya entregan cleanup a nivel de frame en calidad de producción. La pregunta ya no es si la IA sirve para roto, sino dónde exactamente cae en tu cadena.
Durante años, la promesa de la IA en VFX sonó parecida: "pronto vas a poder hacer roto automático". Y durante años, el resultado real fue más o menos el mismo: cumple en planos fijos, falla en movimiento, necesita corrección manual en el 60% de los frames. Útil como punto de partida, no como entrega.
Eso cambió. No de golpe, pero cambió.
De herramienta de apoyo a paso real del pipeline
Servicios especializados como MARZ llevan varios años refinando modelos entrenados específicamente para cleanup de producción: roto, wire removal, rig removal, object removal. Lo que distingue a este segmento del mercado de las herramientas genéricas de IA es el foco: no es un modelo de propósito general que "también puede hacer roto", sino herramientas construidas para cumplir estándares de composición en proyectos reales.
El salto importante no fue solo en precisión, sino en consistencia cuadro a cuadro. El problema histórico de la IA para cleanup no era tanto el frame 1 como el frame 47: el parche se mueve, el borde tiembla, la textura no se mantiene. Los modelos más recientes, entrenados con datasets grandes de material de producción y con lógica temporal, redujeron ese problema a niveles que permiten entregar sin una pasada manual completa.
Eso no significa cero intervención humana. Significa que en ciertos tipos de planos, el flujo ya no es "IA genera, humano corrige todo", sino "IA genera, supervisor valida, humano toca solo donde hay problema".
Qué tareas específicas ya están en calidad de producción
No todo el VFX cleanup está en el mismo punto. Conviene separar:
Wire removal y rig removal en planos controlados. Esta es probablemente la tarea donde la IA llegó primero a calidad de producción. Planos de cámara sin mucho movimiento, cables de stunt sobre fondo relativamente estable, rigs de efecto sobre superficie sólida: en estos casos, los resultados ya son entregables con revisión menor.
Rotoscopía de sujetos en movimiento moderado. El roto automático de personas en planos sin oclusiones complejas, sin cambios de iluminación bruscos y con fondo distinguible es hoy bastante sólido. El límite sigue siendo el movimiento rápido, los planos con múltiples sujetos que se solapan, y las transiciones de ropa con texturas difíciles (telas finas, patrones repetitivos).
Object removal en background. Quitar un elemento del fondo y reconstruir lo que hay detrás funciona bien cuando el background tiene textura regular y el objeto no tiene sombra compleja. Donde sigue fallando es en reconstrucciones que requieren inventar geometría o continuidad de iluminación dinámica.
Logo y marca cleanup en wardrobe. Esta tarea específica tiene herramientas dedicadas y funciona razonablemente en planos donde el sujeto no hace movimiento amplio. En cuanto hay giro de torso o cambio de pliegue significativo, la consistencia cae.
El cuello de botella que nadie analiza.
Aquí está el problema real que se repite en muchos estudios: se adopta una herramienta nueva sin haber definido primero dónde está el cuello de botella del flujo actual.
Hay dos preguntas distintas que a veces se confunden:
- ¿Esta herramienta reemplaza un paso de mi pipeline?
- ¿Esta herramienta acelera un paso que igual voy a hacer?
La diferencia no es menor. Si tu cuello de botella actual es el tiempo de roto de sujeto y la IA entrega ese roto a calidad de producción, estás eliminando un paso. Eso cambia estructura de costos, plazos de entrega y carga del equipo.
Si en cambio tu cuello de botella es la aprobación del cliente o el render farm, la mejor herramienta de roto del mundo no mueve el tiempo total del proyecto. Solo mueve un paso que no era el limitante.
Antes de testear cualquier herramienta de IA para VFX cleanup, vale la pena hacer este ejercicio: toma un proyecto reciente, anota cada paso del flujo de VFX con su tiempo real (no el estimado, el real que quedó en el timesheet), e identifica dónde se fue el tiempo que no debería haberse ido. Ese es el mapa. La herramienta que resuelve ese punto específico es la que vale probar primero.
El riesgo de adoptar por entusiasmo
Hay un riesgo concreto en adoptar IA para cleanup sin ese análisis previo: la deuda técnica silenciosa.
Pasa así: el equipo adopta una herramienta nueva, la integra a la mitad del pipeline, y después descubre que el output no es del todo compatible con el paso siguiente. El formato de máscara no encaja con el compositing node. El motion blur de la roto automática asume algo que no coincide con el footage. El modelo genera un patch que funciona en 1080p pero al revisar en 4K aparecen artefactos.
Estas fricciones no invalidan la herramienta, pero significan trabajo extra en la integración que no estaba presupuestado. El resultado es que la "herramienta que ahorra tiempo" termina costando tiempo en la primera pasada porque el flujo no estaba preparado para recibirla.
La forma de evitar esto es testear la herramienta en condiciones reales del pipeline antes de adoptarla: mismo tipo de footage, mismos pasos previos y posteriores, mismo estándar de entrega. No en los demos del servicio, que casi siempre están hechos con casos ideales.
Qué probar después
Si quieres revisar tu flujo antes de adoptar cualquier herramienta nueva, aquí hay un punto de partida concreto:
- Elige un proyecto reciente de complejidad media (no el más sencillo ni el más complejo).
- Anota los pasos de VFX con tiempo real de cada uno y quién los ejecutó.
- Marca cuáles son los tres que más tiempo tomaron y cuáles de esos son candidatos reales para automatización (tareas repetitivas, técnicamente definibles, sin alta dependencia de criterio creativo).
- Busca si existe herramienta específica para esa tarea concreta, no herramienta genérica.
- Testea en condiciones reales: el mismo tipo de footage, el mismo estándar de entrega, el mismo flujo antes y después.
El objetivo no es adoptar IA porque es 2026 y hay que adoptarla. El objetivo es que un paso concreto de tu cadena cueste menos tiempo o menos esfuerzo sin bajar el estándar de lo que sale. Si la herramienta cumple eso en condiciones reales, vale la inversión. Si no, el mapa igual sirvió: ahora sabes exactamente dónde duele y puedes buscar la solución correcta.