25 de julio de 2026 · 8 min de lectura
La mayoría de los malos videos generados por IA vienen de un prompt que habría funcionado perfectamente como imagen. «Una mujer de pie en Tokio de noche» describe un momento congelado. Un modelo de video tiene que rellenar varios segundos con eso, así que inventa su propio movimiento. Lo que inventa suele ser un sujeto que se desliza sin peso por el encuadre, manos que se transforman en otras manos y un fondo que se reorganiza a medio video.
La solución no es un prompt más largo. Es un prompt que responde a las preguntas que el modelo tendría que adivinar: quién, haciendo qué, dónde, visto desde dónde, iluminado cómo. Este artículo recorre una estructura de cinco capas para exactamente eso, además de las partes específicas para video vertical en redes sociales.
Antes de la estructura, la mentalidad. Un prompt para imagen describe un estado. Un prompt para video describe un cambio, es decir algo que es distinto al final del clip respecto al inicio.
Dos pequeños hábitos hacen la mayor parte del trabajo aquí. El primero es usar verbos continuos. «Caminando con paso rápido», «arrodillándose lentamente» y «alcanzando al otro lado de la mesa» señalan movimiento en curso de una forma que «una mujer que está en una calle» no hace. El segundo es describir causa y efecto en lugar de solo el suceso. Compara:
La segunda versión no solo tiene más detalle. Está más ordenada. Le dice al modelo qué ocurre primero y qué sigue, lo que da dirección al movimiento generado. El mismo truco funciona a pequeña escala. En vez de «un vaso se rompe», escribe «un codo roza un vaso, este se inclina, la leche sobrepasa el borde y golpea la mesa, el vaso se hace añicos y el derrame se extiende por la veta de la madera.»
Aquí está la estructura. No necesitas las cinco en cada prompt, pero un prompt que carece de tres de ellas deja demasiados huecos para que el modelo los rellene a su manera.
Nombres vagos obligan a adivinar. «Una persona» puede ser cualquiera. Especifica lo suficiente para fijarlo: edad aproximada, complexión, ropa, postura. «Una mujer de unos 30 y tantos, complexión atlética, con un impermeable azul marino gastado» volverá de forma consistente de una manera que «una mujer» no hará.
Si tu personaje debe mantenerse igual a lo largo de todo un video y no solo en un clip, la descripción deja de bastar. La referencia de personaje explica qué hacer en ese caso.
Una acción clara por clip, en presente continuo. Dos acciones compitiendo en un clip suelen provocar morphing, porque el modelo intenta mezclarlas en vez de ordenarlas. Si tienes dos cosas ocurriendo, son dos escenas, y ClipPilot generará ambas.
Sitúa al sujeto en algún lugar real. Tres a cinco detalles concretos es el punto ideal: hora del día, clima, texturas de las superficies, uno o dos objetos que establezcan el lugar. Más allá de eso compites con tu propio sujeto por la atención del modelo y los detalles se pierden en un sitio que no escogiste.
Esta es la capa que la gente omite y la que con más fiabilidad hace que el resultado parezca intencional. Estos modelos han visto muchísimo metraje profesional etiquetado, así que responden bien al lenguaje real de cámara.
La iluminación te da más efecto por palabra que cualquier otra capa del prompt. «Luz cálida de farola de sodio», «luz de borde suave en el hombro», «luz del día difusa y nublada» y «sombra dura cruzando la mitad del rostro» cambian todo el registro emocional de una toma con apenas cuatro palabras. Si solo vas a añadir una capa más a un prompt que ya tienes, añade esta.
Capas apiladas, en orden:
Una mujer de mediados de los 30 camina con paso rápido por un estrecho callejón de Tokio, con los hombros encogidos por la lluvia, pasando junto a respiraderos de vapor y letreros pintados a mano. La cámara la sigue lateralmente a la altura de los ojos. Asfalto mojado que refleja la cálida luz de sodio, sombras profundas entre los escaparates.
Sujeto, acción, entorno, cámara, luz. Se lee como un director dando indicaciones al equipo, que es más o menos el modelo mental correcto.
Un encuadre 9:16 no es un 16:9 girado, y los prompts que lo ignoran producen clips que técnicamente funcionan pero se sienten raros en un feed.
Usa la altura. Los encuadres verticales son generosos para planos de cuerpo entero y limitados para composiciones horizontales amplias. Pide «plano de cuerpo entero, a la altura de los ojos» y obtendrás al sujeto completo cómodamente. Pide un panorama horizontal amplio y solo verás una tira del mismo.
Prefiere movimientos de cámara verticales. Inclinar hacia arriba un edificio, descender con una grúa hacia un sujeto o acercar con dolly todo se siente natural en un encuadre alto. Las panorámicas horizontales largas se sienten constreñidas, porque el encuadre no puede mostrar suficiente de lo que estás recorriendo.
Fíjate en lo que queda en la parte superior del encuadre. En TikTok, Reels y Shorts, la parte inferior de la pantalla queda cubierta por la superposición de subtítulos y descripción, y el borde derecho alberga los botones de interacción. Los propios subtítulos de ClipPilot se sitúan en el centro vertical cuando los tienes activados. Eso deja el tercio superior como el lugar más fiable para lo que debe verse, así que encuadrar al sujeto allí lo mantiene libre de ambos.
Abre con movimiento. Los algoritmos del feed valoran mucho los primeros segundos, y un clip que empieza con un plano de establecimiento estático habrá desperdiciado su momento más valioso. Pon el movimiento al principio. «Zoom rápido hacia afuera desde un macro para revelar el horizonte de neón mientras un coche flotante pasa por la lente» atrae atención que «la cámara avanza lentamente por una ciudad de neón» no consigue.
Es útil dejar claro cómo se reparte el trabajo, porque eso cambia lo que realmente vale la pena escribir.
No necesitas pedir subtítulos, voz en off, música ni transiciones entre clips. Esas son opciones en la página de creación, no texto del prompt. Pedir «texto en pantalla que diga X» en un prompt de video suele producir letras IA garabateadas en lugar de un subtítulo limpio, así que deja eso al sistema de subtítulos.
Tampoco necesitas escribir una lista de planos. ClipPilot divide tu guion o idea en escenas y genera un clip para cada una, así que un solo prompt se convierte en un video de varias escenas. Vale la pena entenderlo por separado, y se explica en cómo ClipPilot convierte una idea en un video completo.
Antes de generar, vuelve a leer tu prompt y comprueba:
Cinco de cada seis suele marcar la diferencia entre el metraje que publicas y el metraje que regeneras.
Tú escribes un guion. ClipPilot lo divide en escenas, crea un prompt para cada una, genera los clips y sincroniza los cortes con la narración. Cómo funciona y cómo escribir para ello.
Elegir un nicho, escribir guiones que atrapen, escoger un formato repetible y cuánto cuesta realmente mantenerlo cada mes.
Genera videos para TikTok y Reels a partir de una idea. Elige un formato viral, nombra tu sujeto y obtén un video vertical terminado con sonido en minutos.