Google Flow llega a la NYFW con herramientas hechas con IA

Google Flow llega a la New York Fashion Week para rediseñar el trabajo del diseñador

Jane Wade y Sergio Hudson son diseñadores independientes con un problema muy común: el día a día se los come la logística. Coordinar proveedores, cuadrar presupuestos y mover fittings consume el grueso de su tiempo, y la parte creativa queda para los huecos que deja el calendario. Esa es justamente la fricción que el Envisioning Studio de Google, con apoyo de Google Labs, quiso atacar antes de la New York Fashion Week trabajando codo a codo con ellos dentro de Google Flow, su estudio creativo de IA.

El resultado fueron dos herramientas construidas a medida mediante descripciones en lenguaje natural dentro de Flow: Styling Suite, para Jane, y Runway Visualization, para Sergio. Ambas resuelven cuellos de botella reales: fittings presenciales que ocupan hasta tres días completos del equipo, y renderings 3D que se rehacen cada vez que cambia una luz o un accesorio.

Qué hace cada herramienta y por qué importa

Styling Suite mapea cada look de la colección sobre modelos digitales. Jane pudo combinar pelo, maquillaje, accesorios, zapatos y prendas en pantalla, ajustar los looks de cabeza a pies e identificar qué piezas faltaban antes de cortar y coser muestras físicas. Es la diferencia entre descubrir un hueco de estilismo después de producir un sample caro y detectarlo en una iteración de minutos.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Runway Visualization atacó el otro extremo: el presupuesto de producción. Sergio necesitaba montar la puesta en escena de su desfile sin disparar costes cada vez que cambiaba una luz o un prop, porque antes cada modificación obligaba a generar un nuevo rendering 3D. Con la herramienta pudo simular el venue, mover luminarias y accesorios dentro de presupuesto, y ajustar las rutas de las modelos para armonizar la experiencia del público.

Ambos casos comparten una lógica: la IA no reemplaza al diseñador ni al estilista, les devuelve horas de trabajo mecánico para que vuelvan a decidir. Y aquí aparece el detalle que separa un experimento vistoso de una herramienta adoptable: las dos se construyeron con prompts en lenguaje natural, sin código, dentro del propio Flow.

Google Flow: de VideoFX a estudio creativo con constructor de herramientas

Detrás del anuncio de la pasarela hay un giro de plataforma que conviene entender. Google Flow arrancó como VideoFX en 2024, un experimento de Google Labs para generación de vídeo con IA, y fue relanzado como Flow en Google I/O 2025 ya como herramienta de cine con IA. El cambio relevante llegó con Google I/O 2026, cuando se presentó la nueva Tools gallery junto a Gemini Omni: ahí Flow pasó de ser una herramienta de vídeo a comportarse como un estudio creativo completo, según reportó XDA Developers.

Ese salto incluye varias piezas que un founder debe mirar con atención:

Constructor de herramientas personalizado: describes en lenguaje natural qué herramienta quieres y qué inputs necesita, y Flow genera una pequeña web app funcional. Tiene una pestaña de Code donde se puede inspeccionar lo que se construyó. Las herramientas pueden quedarse privadas, compartirse por enlace o publicarse en la galería, con autoría rastreada para preservar el linaje de los remixes.
Modelos subyacentes: Veo 3.1 para vídeo, Imagen y Nano Banana para imagen. Es el mismo stack que sostiene las herramientas de la galería y las apps de terceros como Flow Music.
Planes y créditos: el tier gratuito ofrece 50 créditos diarios solo para generaciones con Veo; Google AI Plus incluye 200 créditos mensuales al mes y el constructor de herramientas personalizado; los planes Pro y Ultra suben a 1.000 y 25.000 créditos, respectivamente, según XDA Developers.
Uso creativo más allá del pitch de cine: la galería incluye herramientas como Mockup (mockups con perspectiva e iluminación consistentes), Image Editor, Poster Designer y otras experimentales, varias construidas con el propio constructor por Googlers.

En el caso de los diseñadores de la NYFW, la herramienta para Jane y la de Sergio salieron exactamente de ese flujo: prompts descriptivos, sin programar, iterando hasta tener algo usable en una pasarela real.

IA generativa en moda: un mercado que ya mueve cifras

Lo de la NYFW no es un caso aislado, sino la punta visible de un mercado en plena expansión. Según el "Generative AI in Fashion Market Report 2026" de ResearchAndMarkets, recogido por Yahoo Finance, el segmento proyecta pasar de US$0,18 mil millones en 2025 a US$0,74 mil millones en 2030, con una CAGR del 31,8%. El crecimiento se apoya en transformación digital del retail, e-commerce, personalización y presión por sostenibilidad.

Para dimensionar el canal que empuja esta adopción, la misma nota cita al U.S. Census Bureau: las ventas e-commerce en Estados Unidos llegaron a US$1,11 billones en 2023, un 7,6% más que en 2022. Y la consultora McKinsey & Company estima, según recoge Fibre2Fashion, que la IA generativa podría aportar entre US$150 mil millones y US$275 mil millones a las industrias de moda, lujo y retail vía productividad, reducción de costes y experiencia de cliente.

También hay señales de consolidación: Coupang adquirió Farfetch por US$500 millones en enero de 2024, en parte para absorber su experiencia en modelos 3D de producto con IA, según Yahoo Finance. Y en abril de 2024, Navan AI lanzó niia.ai, un SaaS para la industria de la moda que permite crear, visualizar y comercializar diseños rápidamente.

¿Qué significa esto para tu startup?

La lección central no es "usa IA en tu estudio de moda". Es "describe el problema en lenguaje natural y construye tu propia herramienta". Eso cambia tres palancas operativas:

Acelera iteraciones sin multiplicar coste: cada cambio de luz, prop o estilismo ya no requiere un sample físico ni un re-render caro. Para startups con recursos ajustados, eso convierte tareas que estaban fuera del presupuesto en tareas viables.
Externaliza decisiones mecánicas, recupera criterio humano: el patrón de Jane (styling virtual antes de producir) y Sergio (simular venue antes de gastar) libera horas para las decisiones donde el fundador realmente aporta valor: concepto, narrativa, producto.
Lleva la IA al flujo real, no al deck: como advierte el propio post de Google, muchos proyectos de IA en moda siguen atascados en pruebas teóricas. La diferencia entre un piloto que se queda en slides y uno que sale en pasarela es si la herramienta resuelve un cuello de botella concreto de quien la usa.

Acciones concretas que puedes implementar esta semana

Audita qué tareas consumen tiempo de tu equipo creativo sin generar valor diferencial. Fitting de 3 días, renderings repetidos, coordinación de vendors: cada uno es candidato a una herramienta personalizada en Flow o similar.
Prueba el constructor de herramientas de Google Flow con un caso real y un prompt descriptivo. Empieza con algo acotado (no con la herramienta crítica del negocio) y revisa el código generado en la pestaña Code antes de llevarla a producción.
Mide el coste de iteración antes y después. Si una modificación visual te costaba un re-render de producción, ahora necesitas saber cuánto ahorras por cambio para tomar decisiones de pricing y margen con datos.

El debate abierto: ¿la IA puede diseñar sola?

Conviene leer estas noticias con una segunda capa. Como señala Observer en un análisis sobre IA generativa y alta costura, la tecnología es fuerte en la fase divergente del diseño (proponer variantes, materiales imposibles, combinaciones inesperadas) y débil en la fase convergente: decidir qué merece existir, preservar la identidad de marca y traducir imagen en prenda fabricable. Hillary Taymour, de Collina Strada, pasó siete semanas iterando con IA para su colección Spring 2024 y descubrió que los "errores" del modelo (drapeados imposibles, costuras que no cierran) eran exactamente el material creativo útil para su atelier.

El caso Farfetch citado por Yahoo Finance refuerza el punto: la diferenciación futura no será tener IA, sino tener el flujo, los datos y el criterio para sacar partido de sus salidas.