index●comunicación

Revista científica de comunicación aplicada

nº 16(1) 2026 | Páginas 149-173

e-ISSN: 2174-1859 | ISSN: 2444-3239

 

Influencers IA: imagen algorítmica y prácticas postfotográficas en Instagram

AI Influencers: Algorithmic Image and Post-photographic Practices On Instagram

Recibido el 11/06/2025 | Aceptado el 28/10/2025 | Publicado el 15/01/2026

https://doi.org/10.62008/ixc/16/01Influe

 

Diana Ramahí-García | Universidade de Vigo

dramahi@uvigo.gal | https://orcid.org/0000-0002-8990-5337

Patricia Dopico-Rodríguez | Universidade de Vigo

pdopico@uvigo.gal | https://orcid.org/0009-0005-9788-8804

Javier Abuín-Penas | Universidade de Vigo

jabuin@uvigo.gal | https://orcid.org/0000-0002-7822-7526

 

Resumen: En el contexto de la digitalización parecen no poder abordarse las transformaciones de la técnica sin atender a las mutaciones de la imagen y, a su vez, semeja resultar necesario prestar atención a cómo las imágenes modelan la implementación y el alcance de esos cambios técnicos. Este estudio se sirve del análisis de contenido de 1910 publicaciones de Instagram para examinar las posibles conexiones entre la evolución de las tecnologías que ofrece la Inteligencia Artificial Generativa (IAG) y los códigos que rigen las publicaciones de las influencers virtuales de apariencia humana generadas por medio de ellas. Los resultados obtenidos revelan que las publicaciones analizadas responden a un patrón que podría estar condicionado por las limitaciones de la IAG para generar detalles precisos en ciertos encuadres o mantener la coherencia identitaria en imágenes secuenciales.

Palabras clave: inteligencia artificial; imagen; tecnología; influencers virtuales; Instagram.

Abstract: In the context of digitization, it appears impossible to discuss technological transformations without considering the evolution of the image and, in turn, it seems necessary to examine how images influence the implementation and scope of these technical changes. This study uses content analysis of 1910 Instagram posts to examine the possible connections between the evolution of technologies offered by Generative Artificial Intelligence (GAI) and the codes that govern the posts of human-like virtual influencers generated through them. The results obtained reveal that the analyzed posts respond to a pattern that could be constrained by the limitations of GAI to generate precise details in certain frames or maintain identity consistency in sequential images.

Keywords: Artificial Intelligence; Image; Technology; Virtual Influencers; Instagram.

 

 

CC BY-NC 4.0

 

Para citar este trabajo: Ramahí-García, D., Dopico-Rodríguez, P. y Abuín-Penas, J. (2026). Influencers IA: imagen algorítmica y prácticas postfotográficas en Instagram. index.comunicación, 16(1), 149-173. https://doi.org/10.62008/ixc/16/01Influe

 

 

 

1.   Introducción

Aunque la Inteligencia Artificial Generativa (IAG), aquella que tiene como finalidad producir datos sintéticos en respuesta a una solicitud humana a partir de patrones aprendidos en datos reales, lleva tiempo formando parte de la vida cotidiana, ha sido solo recientemente cuando ha alcanzado los niveles de popularidad que actualmente disfruta. Así, el surgimiento de sistemas que analizan las consultas en lenguaje natural y predicen la respuesta más adecuada basándose en el conocimiento adquirido tras un entrenamiento masivo ha marcado el inicio de un paradigma emergente en este ámbito.

En términos de su ciclo de vida, la IAG en general, y estos sistemas en particular, aún se encuentran en el pico de expectativas sobredimensionadas lejos de una adopción generalizada por parte del público (Gartner, 2023). En cualquier caso, la repentina proliferación en su uso, impulsada, entre otros factores, por el lanzamiento de ChatGPT, ha generado un gran impacto en la sociedad y ha suscitado una profunda reflexión sobre sus implicaciones (Teubner et al., 2023).  

En entornos sustancialmente sensibles como el ecosistema comunicativo, el impacto disruptivo de la IAG ha dejado entrever, entre otras muchas posibles consecuencias, un cambio de paradigma en la concepción de los procesos, así como en los efectos individuales y sociales de los contenidos algorítmicos (Guerrero-Solé y Ballester, 2023).

En este contexto, los usos de estos contenidos son potencialmente infinitos y sus aplicaciones en diferentes campos no dejan de incrementarse. Entendidos como conjuntos de significaciones asociadas y como transmisores de diversos grados de información interpretativa, evolucionan e incorporan nuevos medios de creación cada vez más eficientes que solicitan un mayor grado de conocimiento del contexto y del proceso de producción; una cultura, que, además de la retórica y la lectura de las significaciones, requiere del conocimiento de los medios tecnológicos que la generan (Gómez-Gómez y Rubio-Tamayo, 2023).

2.   La imagen en la era de su reproductibilidad algorítmica

Las transformaciones generadas por la digitalización han originado modificaciones esenciales en las relaciones entre imagen y técnica. En este contexto, parece imposible abordar la evolución de la técnica sin atender a las mutaciones de la imagen. A su vez, parece necesario prestar atención a cómo las imágenes modelan la implementación y el alcance de esos cambios técnicos.

La digitalización ha tenido un impacto decisivo en el modo en que se crean, distribuyen, utilizan y perciben las imágenes. En estas coordenadas espaciotemporales concretas, la imagen circula en el espacio híbrido de la sociabilidad digital y es resultado de la superabundancia visual. De este modo, el contexto postfotográfico actual, donde los medios sociales ocupan un espacio central, se caracteriza, para el usuario, por la ubicuidad de las cámaras, la integración y facilidad de uso del software de edición y la transmisión inmediata de datos, favoreciendo la integración de la producción simbólica en las prácticas cotidianas de los sujetos (Fontcuberta, 2016).

Además, la expansión de la IAG, entre otros factores, ha originado el surgimiento de un nuevo paradigma. Los medios de producción se han automatizado hasta el punto de que las imágenes han dejado de ser un medio de comunicación humana para convertirse en vehículos de comunicación entre humanos y máquinas e incluso entre máquinas. Paralelamente, han comenzado a presentar una ordenación interna programada por los algoritmos con un carácter decididamente performativo y pragmático, pues se deciden según imperativos de adaptación variables en referencia a una infinidad de situaciones y contextos cambiantes. La imagen ha pasado a ser algorítmica, en tanto que el dispositivo incorpora la gestión de su distribución y condiciones de consumo, lo que supone un cambio central en términos de producción, recepción y significación social (Martínez-Luna, 2019). La emergencia y democratización de herramientas de IAG que utilizan el lenguaje natural para generar imágenes ha supuesto una revolución a este respecto (Bougueffa et al., 2024).

Tras una década de desarrollo exponencial estas tecnologías se consolidaron como una innovación disruptiva en 2022, cuando los avances permitieron la creación de imágenes con una calidad visual comparable a la fotografía realista y al arte gráfico producido por humanos.

Uno de los hitos iniciales más significativos fue el lanzamiento de DALL·E de OpenAI en diciembre de 2020, un sistema capaz de generar imágenes a partir de texto utilizando transformadores neuronales. Su versión mejorada, DALL·E 2 presentada en abril de 2022, amplió estas capacidades, alcanzando, en septiembre de ese mismo año, una base de más de 1,5 millones de usuarios que generaba colectivamente más de 2 millones de imágenes al día (OpenAI, 2022).

En paralelo, surgieron otras propuestas como MidJourney, un laboratorio de investigación independiente que en marzo de 2022 lanzó su beta a través de la plataforma Discord, destacando por sus imágenes de alta calidad con estilos artísticos distintivos (MidJourney, 2022). Poco después, en agosto de 2022, Stable Diffusion de Stability AI se hizo accesible al público, logrando más de 10 millones de usuarios globales en solo dos meses (Stability AI, 2023). Grandes corporaciones tecnológicas también se sumaron a esta tendencia: Google presentó Imagen y Parti (Saharia et al., 2022), mientras que Microsoft introdujo NUWA y NUWA Infinity (Wu et al., 2022) y Adobe lanzó en marzo de 2023 la beta de Adobe Firefly, que alcanzó más de 13.000 millones de imágenes generadas (Adobe, 2023).

En la misma línea, pero con un desarrollo más tardío y complejo, los modelos de generación de vídeo a partir de texto también han comenzado a consolidarse como una tecnología emergente en el ámbito de la IAG. Estas herramientas, basadas en modelos de lenguaje multimodal, permiten transformar tanto instrucciones textuales como imágenes en secuencias audiovisuales dinámicas (Mosele, 2025).

El primer avance significativo en este campo se remonta a septiembre de 2022, cuando Meta presentó Make-A-Video, un sistema capaz de generar vídeos breves a partir de descripciones textuales. Al año siguiente, en 2023, Runway introdujo Gen-1 y Gen-2, los primeros modelos comerciales de generación de vídeo a partir de otros vídeos y de texto con una interfaz web amigable, y NVIDIA publicó su propuesta VideoLDM, centrada en modelos de difusión para la síntesis de vídeo.

El año 2024 marcó un punto de inflexión a este respecto. En enero, Synthesia presentó un asistente capaz de convertir texto en vídeo. En mayo, Google presentó Veo, un sistema avanzado de generación de vídeos en alta resolución, que podía producir secuencias cinematográficas de más de un minuto, mejorado posteriormente en diciembre con Veo 2. En julio, Runway lanzó Gen-3 Alpha, que mejoró significativamente la fidelidad visual, la consistencia y el movimiento frente a versiones anteriores. En octubre, Meta anunció MovieGen, un modelo diseñado para generar vídeos a partir de indicaciones simples, centrado en mejorar la experiencia de usuario en sus plataformas sociales y Adobe introdujo su modelo de vídeo Firefly para facilitar la generación y edición de vídeos con control creativo avanzado y alta calidad visual. Ya en diciembre, OpenAI presentó Sora, un modelo capaz de producir clips de vídeo a partir de texto, estableciendo un nuevo estándar en la creación audiovisual generativa.

Los últimos modelos abordan el problema de la consistencia visual intentando mantener una identidad visual estable en los personajes, lo que mejora significativamente la fidelidad temporal del contenido generado y abre el camino a creaciones audiovisuales más realistas y coherentes.

2.1.   La economía de los humanos digitales

El término influencer define, en el entorno digital, a aquellas figuras que tienen la capacidad de movilizar opiniones y crear reacciones, debido a la credibilidad con la que cuentan en relación con una temática concreta, articulándose como expertos, líderes de opinión y referentes mediáticos dentro de un área o sector (Hontoria, 2022).

Su capacidad de influencia, la evolución tecnológica y la búsqueda de nuevos formatos (Carrillo-Durán et al., 2024) ha dado lugar, desde mediados de la segunda década de este siglo, al surgimiento de numerosos personajes virtuales procedentes de diferentes sectores comerciales (Engström, 2022) entre los que se encuentran los llamados influencers virtuales: figuras digitales creadas por software que utilizan las redes sociales para compartir publicaciones en las que aparecen consumiendo, interactuando, compartiendo o posicionándose sobre diferentes aspectos; que pueden influir en otros, principalmente a través de colaboraciones o participación en campañas; que se crean y consumen únicamente a través de medios digitales; y que, en ocasiones, tienen una apariencia muy similar a los humanos reales (Allal-Chérif et al., 2024). Es ese nivel elevado de antropomorfismo lo que permite a algunas de estas figuras adscribirse a la categoría de los humanos digitales, es decir, seres generados por ordenador que tienen una apariencia y un comportamiento similar al de los humanos (Burden y Savin-Baden, 2019) e inscribirse en la «economía de los humanos digitales» (Forristal, 2023) que ha crecido exponencialmente en los últimos años (Digital Human Global Market Report, 2025).

El punto de inflexión a este respecto parece remontarse a 2016, año en el que irrumpió la considerada primera influencer virtual humana (Robinson, 2020). Dado que estas primeras figuras eran creadas mediante imagen generada por ordenador, su expansión había estado limitada por la necesidad de crear equipos de trabajo multidisciplinares conformados por profesionales procedentes de la producción cinematográfica, el escaneo 3D, la captura de movimiento, la captura facial, el diseño y modelado 3D fotorrealista, así como directores de arte y fotografía y expertos en comunicación (Rodrigo-Martín et al., 2022).

En los últimos años, la IAG ha acelerado su crecimiento en capacidad tecnológica y está alcanzando un grado de sofisticación hasta hace poco impensable (Franganillo, 2022). Su evolución ha simplificado y, en consecuencia, democratizado el desarrollo de estos personajes ofreciendo a marcas y usuarios la posibilidad de diseñar y gestionar sus propios influencers virtuales (Yang, 2023).

Como consecuencia, estas figuras han proliferado progresivamente en las redes sociales y han desarrollado narrativas propias con las que los usuarios puedan sentirse identificados (Liu y Lee, 2024). Muestran, así, un modelo de vida que se adapta a los intereses y preferencias de sus seguidores y que depende del contenido que publican (Rodrigo-Martín et al., 2022). Y, al igual que en la vida real, se han expandido por las distintas etapas vitales y se están constituyendo como conjuntos de personajes que pueden adoptar estructuras familiares y otros tipos de agrupaciones sociales (Villén-Higueras y Mata-Núñez, 2024).

Del mismo modo, al tratarse de productos digitales, tanto su naturaleza como sus formas pueden ser muy diversas (Shen, 2024). Se caracterizan, en consecuencia, por ser más flexibles a la hora de configurar su identidad, tener una mayor plasticidad de la marca propia y disponer de un acceso más amplio a productos, colaboraciones y ubicaciones. Su atractivo parece radicar, entonces, en su maleabilidad (Choudhry et al., 2022), ofreciendo niveles incomparables de personalización en sus autopresentaciones, y no viéndose limitados por su género, etnia, apariencia, estatus socioeconómico o vida offline.

Su influencia social ha propiciado un considerable aumento de los estudios focalizados en ellos, que se han orientado en torno a tres polos: sus ventajas y limitaciones, su atractivo en el marco de las expectativas empresariales y su influencia en relación con las actitudes del público (Laszkiewicz y Kalinska-Kula, 2023). Han sido contadas, por el contrario, las aproximaciones iconográficas al respecto (Villén-Higueras y Mata-Núñez, 2024).

3.   Objetivos

Considerando que la ventaja diferencial de los influencers virtuales respecto a otro tipo de prescriptores parece radicar en incomparables posibilidades de personalización, que la incorporación de medios cada vez más eficientes de creación de contenido digital semeja hacer necesario el conocimiento de las tecnologías que lo producen, y lo limitado de la literatura académica al respecto, este estudio tiene como objetivos:

1.    Analizar las publicaciones de los influencers virtuales de apariencia humana creadas a través de las tecnologías que ofrece la IAG.

2.    Determinar los códigos que rigen sus publicaciones.

3.    Examinar las posibles conexiones entre la evolución de las tecnologías que ofrece la IAG y los códigos que rigen las publicaciones de los influencers virtuales de apariencia humana generadas por medio de ellas.

4.   Metodología

El estudio, de carácter exploratorio, adopta un enfoque mixto con la pretensión de comprender el fenómeno (Hernández-Sampieri, 2018). La operacionalización del marco teórico y la consecución de los objetivos planteados determinaron la selección de la muestra y la definición de los indicadores de análisis.

4.1.   Selección de la muestra

La inexistencia de bases de datos actualizadas o informes que arrojasen luz sobre esta cuestión hizo necesario generar una base de datos propia. Se realizó, así, un estudio preliminar sobre este tipo de figuras en medios, webs y agencias de influencers y modelos virtuales y, a partir de la base de datos elaborada, se seleccionó la muestra objeto de estudio.

Atendiendo a criterios de apariencia y alcance, para la configuración de esta se seleccionaron los perfiles de influencers virtuales individuales de apariencia humana (Shen, 2024) que contaban con más de 10.000 seguidores en Instagram en el momento de la recolección de los datos y cuya actividad se hubiese iniciado en la parcela tecnológica definida por la expansión de la IAG.

La elección de Instagram como red social objeto de estudio se fundamentó tanto en su popularidad entre los usuarios y su amplia adopción por parte de los influencers (Arsenyan y Mirowska, 2021), como por su estatus de plataforma centrada en la imagen (Frier, 2020). La preferencia que expresan los usuarios por Instagram para relacionarse con lo visual y audiovisual (Kemp, 2025) conecta con la propuesta de uso preferente que hace la propia red, que plantea la imagen como su núcleo identitario y diferencial, lo que la convierte en una de las plataformas centrales en la construcción social y tecnológica en torno a qué es la imagen y cómo los sujetos se relacionan con ella (Caro-Castaño, 2023).

La orientación de la investigación hizo que de las categorías establecidas para el estudio de estas figuras: —atractivo, autenticidad, control, crecimiento y antropomorfismo (Batista y Chimenti, 2021)— se tomasen como punto de partida el último aspecto. En lo relativo a su naturaleza y forma, por el interés que despierta su semejanza con lo humano y su capacidad fotorrealista se optó por influencers virtuales humanizados (Shen, 2024), figuras antropomorfas que simulan una forma humana inexistente en la realidad con independencia del estilo gráfico que adopten (Yang et al., 2023), y que se caracterizan por una representación  hiperrealista que genera un antropomorfismo tan perfeccionado que, en ocasiones, dificulta su distinción respecto de los influencers reales (Hofeditz et al, 2022).

En lo relativo al alcance o número de seguidores acumulado —considerando nanoinfluencers a aquellas figuras con menos 10.000 seguidores, microinfluencers si contaban con entre 10.000 y 100.0000, macroinfluencers a los que estaban en la horquilla de 100.000 a 1 millón y megainfluencers si superaban 1 millón—, para la configuración de la muestra se seleccionaron los perfiles que contaban con más de 10.000 seguidores en el momento de la recolección de los datos (Sanz-Marcos et al., 2024).

Ya en relación con el periodo de inicio de actividad, se consideró oportuno, teniendo en cuenta las pretensiones del estudio, incluir aquellas figuras creadas tras la proliferación del uso de la IAG impulsada, entre otros factores, por el lanzamiento de la herramienta de generación de texto ChatGPT el 30 de noviembre de 2022. Del mismo modo la fecha para la recolección de datos estuvo definida por el fin de la actividad de CrowdTangle, la herramienta de análisis de redes sociales de Meta, el 14 de agosto de 2024.

La identificación de los perfiles partió de los repositorios existentes y se amplió a partir de la búsqueda en navegadores y medios sociales de palabras clave en inglés como: “virtual influencer”, “virtual model”, “artificial intelligence influencer”, “AI influencer” así como su traducción literal al castellano. En todos los casos, se verificó que se trataba de figuras generadas por IAG a través de referencias explícitas en el perfil.

Partiendo de estos aspectos, y tras descartar aquellas publicaciones eliminadas entre la recogida de los datos y el inicio de la investigación, se obtuvo una muestra de 13 perfiles (Tabla 1) desarrollados a través de IAG de los cuales se analizaron las publicaciones hasta el momento de la recolección de los datos (agosto de 2024). El total de publicaciones analizadas fue de 1910; el total de elementos o unidades, teniendo en cuenta la presencia de carruseles que permiten mostrar hasta 10 imágenes o vídeos en una sola publicación, 3553.

Tabla 1. Contenido muestral

Fuente: elaboración propia.

4.2.   Definición de los indicadores de análisis

Para el estudio se diseñó una ficha de análisis de contenido con distintos tipos de indicadores. La ficha elaborada ad hoc para la investigación y aplicada a cada uno de los perfiles de la muestra, contempla tres categorías (Tabla 2).

a)    Indicadores contextuales. Agrupa aquellas variables que contextualizan las publicaciones a través del registro de un sistema general de categorías. Entre ellos se consideran: 1) el nombre del influencer; 2) la denominación de la cuenta; 3) el entorno geográfico al que se adscribe; 4) la tecnología con la que ha sido generada; 5) su promotor; 6) y la temática prioritaria de su contenido (moda, belleza, gamers, lifestyle, viajes, foodies y fitness, partiendo de la categorización establecida por Núñez (2022)).

b)   Indicadores sociales. Agrupa aquellas variables que contextualizan las publicaciones considerando la estructura digital que las contiene. Entre ellos se consideran: 1) la fecha de inicio de actividad en la red social; 2) el número de usuarios integrantes de la comunidad en la misma; 3) el total de publicaciones realizadas en el periodo objeto de estudio; 4) la intensidad de uso —teniendo en cuenta el número medio de publicaciones compartidas por el usuario, y dividiéndolos en tres categorías: usuarios poco frecuentes, con menos de 150 publicaciones; usuarios promedio, con entre 150 y 250 publicaciones; y usuarios avanzados, con más de 250 publicaciones—; 5) la  frecuencia  de uso, atendiendo al uso de la aplicación y diferenciando entre usuarios nuevos y antiguos —con menos y más de un año de uso de la aplicación, respectivamente— (Caldeira, 2016).

c)    Indicadores textuales. Agrupa aquellas variables que caracterizan a cada una de las publicaciones que forman parte de la muestra. Entre ellas se consideran: 1) tipo de publicación —imágenes, vídeos y carruseles de imágenes o vídeos, en función de los tres tipos básicos de publicaciones en el feed que ofrece la red social Instagram—; 2) objeto de la representación, atendiendo a cuatro categorías: a) Yo, la representación completa o fragmentada del propio usuario y su cuerpo, b) Otro, la representación de cualquier otra persona que no sea el propio usuario, c) Mixto, que comprende aquellas imágenes en las que el usuario está acompañado por otros, y d) Objetos, que incluye objetos inanimados, animales, paisajes, y cualquier otro tipo de imagen que no encaje en las categorías anteriores; 3) Autorrepresentación, forma de presentación del contenido en relación al sujeto; así el conjunto de imágenes incluidas en las categorías Otro y Objetos, forman la Representación Indirecta, mientras las imágenes de las categorías Yo y Mixto componen la Representación Directa, en la que está presente la imagen corporal del usuario, que se subdivide, a su vez, en Representación Completa, si aparece el rostro o el cuerpo del usuario completo, siendo fácilmente identificable, y en Representación Metonímica, si el cuerpo del usuario aparece solo parcialmente (Caldeira, 2016); y 4) Forma de representación del contenido en lo relativo a la escala de plano, en los casos en los que haya un sujeto de la representación —detalle, primer plano, plano medio, plano americano y plano general en función de su amplitud en la captación de la figura humana—.

Tabla 2. Indicadores de análisis

Fuente: elaboración propia

 

En el caso de los carruseles, teniendo en cuenta su carácter secuencial, también se ha considerado el orden y la posición de cada imagen en relación con el conjunto.

La recogida de datos se llevó a cabo en agosto de 2024; el diseño de la muestra y la codificación de las variables se realizaron en marzo de 2025. Tras una primera codificación individual por parte de cada uno de los tres investigadores, se realizó una puesta en común que definió, por consenso, una codificación final. En el cálculo de la fiabilidad intercodificadora se obtuvo un coeficiente de Krippendorff de 0.96, que indica un acuerdo alto entre codificadores humanos.

5.   Resultados

El análisis evidencia que el promotor del 77% (10) de las influencers desarrolladas a través de las tecnologías que posibilita la IAG analizadas es un estudio, agencia o empresa especializada en la creación, gestión y representación de este tipo de agentes del ecosistema comunicativo. Es el caso de Aitana López y The Clueless, una agencia de modelos generados enteramente por IA; Olivia C. y el estudio creativo Falamusa; o Giorgina Aleman y el área digital del conglomerado mediático Medcom.

En relación con el entorno geográfico, el 39% (5) tienen origen europeo, el 23% (3) americano, el 15% (2) asiático, el 8% africano y el 15% restante (2) transcontinental, al proceder de Turquía, un país que se extiende por Asia y Europa. Ya en lo referente a la temática del contenido, predomina la mostración del estilo de vida —76% (10)—, aunque hay figuras centradas en sectores específicos como la moda —Ailya Lou—, el fitness —Aitana López— o los viajes, —Anne Kerdi—.

En lo relativo al alcance o número de seguidores acumulado, el 70% (9) son microinfluencers —figuras con entre 10.000 y 100.0000— y el 30% (4) restantes macroinfluencers —avatares que se sitúan entre 100.000 y 1 millón de seguidores—. Las comunidades de las influencers se sitúan en una horquilla que va desde los 504.248 seguidores de Giorgina Aleman hasta los 10.758 de Anne Kerdi. Considerando el uso de la aplicación y diferenciando entre usuarios nuevos y antiguos —con menos y más de un año de uso de la aplicación, respectivamente— el 62% (8) son usuarios nuevos y el 38% (5) restantes antiguos. Así, el 85% (11) de las influencers analizadas iniciaron su actividad en el año 2023, siendo la primera de ellas Milla Sofia; y el 15% restante (2) en 2024, resultando la última Olivia C.

En lo que concierne a la intensidad de uso, teniendo en cuenta el número medio de publicaciones compartidas: el 62% (8) son usuarias poco frecuentes, con menos de 150 publicaciones; el 23% (3) usuarias promedio; con entre 150 y 250 publicaciones y el 15% (2) restante usuarias avanzadas, con más de 250 publicaciones.

Los resultados no muestran una correlación entre el inicio de la actividad, la intensidad de uso y el alcance de las influencers analizadas. Atendiendo al tipo de publicación (imágenes, vídeos y carruseles de imágenes o vídeos, en función de los tipos de publicación en el feed que ofrece Instagram), el 72% (1368) de las publicaciones de la muestra son imágenes; el 28% (542) carruseles; y el 0% vídeos (Tabla 3).  

Tabla 3. Tipo de publicación

Fuente: elaboración propia.

En el caso de las imágenes (Figura 1), el objeto representado es el «Yo» en un elevado 73% (996) de los casos. El 18% (242) representa la categoría «Objetos», mientras que en el 7% el objeto representado es «Mixto» y solamente el 2% (36) responde a «Otro».

Del mismo modo, en la autorrepresentación domina la representación «Directa completa» con un 79% (1074) de las publicaciones, seguida de la «Indirecta», presente en un 20% (275) de la muestra. Por su parte, la representación «Directa metonímica» apenas tiene incidencia y no llega a alcanzar el 1% (19) de la misma.

Figura 1. Objeto de la representación y autorrepresentación (imágenes)

Fuente: elaboración propia.

En lo referente a la forma en la que se representa el contenido, se detectan tres tipos de plano con gran incidencia y dos con relativa escasa presencia. En el primer grupo, el «Plano medio» supone el 36%, mientras el «Plano americano» y el «Plano General» suponen el 26% de la muestra, el primero de ellos con 361 publicaciones y el segundo con 352. La presencia del «Primer plano», sin embargo, desciende al 7% (96) y el «Plano detalle» únicamente representa el 5% (64).

Un análisis por perfiles revela que en las imágenes de una gran mayoría de las influencers el objeto de representación habitual es el «Yo». Los datos muestran que solo dos de ellas están por debajo del 70% en este tipo de categoría, Eliza Khan llega al 100% de publicaciones en este sentido, y Aitana López (98%) y Alba Renai (96%) están muy cerca de alcanzarlo. En el polo opuesto, destaca Anne Kerdi con solo el 20% y Olivia C. con el 49%. En la primera de ellas, el 62% de la muestra, y en la segunda el 48%, representa «Objetos».

Los datos evidencian, también, grandes diferencias en la representación de las diferentes influencers. En el 85% (11) de los casos, las publicaciones optan por la representación «Directa completa». En el caso del 54% (7) —Aitana López, Alba Renai, Eliza Khan, Giorgina Aleman, Milla Sofia, Natalia Novak y Zara Shatavari —en todas sus publicaciones se recurre a la representación «Directa completa». En el 21% (4) —Asena İlik, Kenza Layli, Seren Ay y Ailya Lou— este tipo de representación está presente en más del 80% de las publicaciones. Son Olivia C., que ronda el 40%, y Anne Kerdi, con el 25% de publicaciones en esta categoría, las excepciones.

Por el contrario, esta última, Anne Kerdi, es el perfil más destacado en la representación «Indirecta», destacando con un 75% (155) de publicaciones, seguida por Olivia C. con el 50% (87) y ya con mayor diferencia por Ailya Lou (17%, 6) y Kenza Layli (12%, 25).

La autorrepresentación «Directa metonímica» es exigua y solo está presente en dos de las influencers: Olivia C. (8%, 14) y Kenza Layli (2%, 5).

Ya en lo relativo al tipo de plano, en el 54% (7) de las influencers —Aitana López, Alba Renai, Eliza Khan, Kenza Layli, Seren Ay, Zara Shatavari y Ailya Lou— el predominante es el «Plano medio»; en el 31% (4) —Anne Kerdi, Asena İlik, Giorgina Aleman y Olivia C.— el más utilizado es el «Plano general»; y el 15% (2) restante —Milla Sofia, Natalia Novak— realiza un uso prioritario del «Plano americano».

Así tanto en el análisis conjunto como por perfiles se evidencia cierta correlación entre el objeto representado, la autorrepresentación y el tipo de plano. Se suele representar el «Yo» de forma «Directa completa» a través de «Plano medio» y «Plano americano», mientras que para los «Objetos» se opta por la representación «Indirecta» y el «Plano general» (Figura 2).

Figura 2. Publicación en imagen de @millasofiafin (izquierda) y @annekerdi (derecha)

Fuente: Instagram.

Las 542 publicaciones restantes adoptan la forma de carrusel (Figura 3). Como es un tipo de publicación que permite mostrar hasta 10 imágenes o vídeos, el conjunto de datos a este respecto comprende un total de 2195 unidades o elementos, es decir, imágenes o vídeos.

La distribución del número de elementos por carrusel evidencia una marcada tendencia hacia las publicaciones con un número restringido de elementos; el 63% de los carruseles están compuestos por 2 (42%) o 3 elementos (21%); y solo un 13% utiliza los 10 elementos.

En lo relativo al objeto de la publicación, la categoría más frecuente es «Objetos» con un 38% (840), seguida de «Yo» con un 35% (770), «Otro» con un 20% (432) y «Mixto» con un 7% (153). Así, el 58% (1272) de los elementos obvia la representación de la influencer.

Ya en lo referente a la forma en la que se presenta, en el 57% (1259) se opta una representación «Indirecta», en el 40% (882) se recurre a una representación «Directa completa» y solo el 3% (54) realiza una representación «Directa metonímica». En términos de alcance, los planos más utilizados son el «Plano general» (35%, 476), seguido por el «Plano americano» (34%, 458) y el "Plano medio» (27%, 369); los planos «Detalle» (4%, 59) y el «Primer plano» (0%, 6) son mucho menos frecuentes.

Figura 3. Objeto de la representación y autorrepresentación (carruseles)

Fuente: elaboración propia.

Los datos son muy diferentes, sin embargo, si se analiza la primera unidad de la serie o primer elemento del carrusel (542). En este caso, predomina la representación del «Yo» (59%, 318), de forma «Directa completa» (72%, 391) y en «Plano americano» (43%, 194), «Plano medio» (128; 29%) o «Plano general» (27%, 119) arrojando datos más similares a los del análisis de las publicaciones conformadas por una única imagen. 

Si se prosigue el análisis a lo largo de las unidades que integran el carrusel (Figuras 4 y 5), se observa, sin embargo, que la representación del «Yo» y «Mixto» deja paso paulatinamente a una mayor representación de «Otro y «Objetos» a medida que se avanza en la secuencia. Del mismo modo la autorrepresentación «Directa Completa» cede el predominio a la representación «Indirecta» y el «Plano Medio» y, fundamentalmente, el «Plano Americano» pierden protagonismo en favor del «Plano General».

Figura 4. Evolución del objeto de la representación y la autorrepresentación (carruseles)

Fuente: elaboración propia.

Figura 5. Publicación en carrusel de @fit_aitana

Fuente: Instagram.

El análisis de cada perfil revela una diversidad significativa en el tipo de publicación predominante. Así, la mayoría de las influencers se inclinan hacia las imágenes —más del 90% del contenido en los casos de Kenza Layli, Milla Sofia y Olivia C.—. Otros perfiles presentan una distribución más equilibrada, con porcentajes de carruseles superiores al 40% —Alba Renai y Anne Kerdi—, y un enfoque orientado a la diversificación del contenido a este respecto. Finalmente, hay figuras que muestran una fuerte preferencia por los carruseles —en Eliza Khan representan el 81% de sus publicaciones—, lo que sugiere una estrategia de contenido centrada en la representación secuencial.

Los datos evidencian, también, grandes diferencias en la representación de las diferentes influencers. En la mayor parte de los perfiles (85%, 11) son el foco principal de la representación. En algunos casos el contenido centrado en ellas supera el 70% del total —Aitana López, Asena İlik, Eliza Khan, Giorgina Aleman, Milla Sofia, Natalia Novak, Seren Ay, Zara Shatavari— y en otros el 50% —Alba Renai, Kenza Layli y Ailya Lou—. En el 15% (2) restante, casos de Anne Kerdi y Olivia C., la categoría «Yo» es minoritaria y la predominante es «Objetos», que supone el 80% del contenido en el primer caso y el 61% en el segundo. 

La autorrepresentación «Directa Completa» es la forma principal de presentarse en las imágenes —77% (10) —, destacando perfiles como el de Milla Sofia que presentan una orientación marcada hacia este tipo de representación. Otros perfiles, como los de Anne Kerdi, Olivia C. o Ailya Lou muestran una mayor preferencia por la «autorrepresentación indirecta», mientras que la «autorrepresentación metonímica» tiende a ser la menos común en la mayoría de los casos, oscilando entre el 1 y el 11% del total del contenido.

Del mismo modo, existe una variedad en el uso de los tipos de plano entre las diferentes influencers. Algunas prefieren los planos más cercanos, como el «Plano medio»; es el caso del 38% (5) de la muestra y en concreto de los perfiles de: Aitana López, Kenza Layli, Milla Sofia, Seren Ay, Ailya Lou. Otras optan por planos más amplios, como el «Plano americano» —31% (4), caso de Alba Renai Eliza Khan, Natalia Novak y Zara Shatavari—; o el «Plano general» —31% (4), Anne Kerdi, Asena İlik, Giorgina Aleman u Olivia C. —. El «Primer plano» y el «Plano detalle» son los menos utilizados en la totalidad de los perfiles: en el 86% (11) de los casos el uso del «Plano detalle» es residual y el 70% (9) de los mismos nunca utiliza un «Primer plano».

Una vez más, tanto en el análisis general como al examinar los perfiles individuales, se observa una cierta correlación entre lo que se representa en la imagen, la forma en la que se presenta y el tipo de plano utilizado. Así, la representación del «Yo» tiende a ser «Directa completa» y se encuadra comúnmente en «Plano medio» y «Plano americano», mientras que la representación de «Objetos» suele ser «Indirecta» y representada en «Plano general».     

Finalmente, en lo relativo al uso del vídeo (Figuras 6 y 7), si bien ninguna de las publicaciones analizadas pertenece a esta categoría, el formato hace presencia como elemento integrante de los carruseles. De los 2195 elementos analizados en los carruseles, 2122 son imágenes y 73 son vídeos, lo que indica un predominio significativo de las imágenes (97%) sobre los vídeos (3%). Destaca, del mismo modo, el hecho de que el 61% (5) de las influencers incluya exclusivamente en sus carruseles imágenes y que el vídeo suponga un máximo del 15% del contenido publicado en aquellas influencers que optan por hacer uso de él en sus publicaciones. En el resto de los casos, supone un 12%, 2%, 1% y 1% respectivamente del total de contenido publicado en los carruseles.

 

Figura 6. Tipo de elemento                        Figura 7. Vídeo con presencia de la influencer

 

 

Fuente: elaboración propia.                        Fuente: elaboración propia.

 

En el caso del vídeo, el objeto representado no es la influencer en el 86% (44) de los casos, perteneciendo a la categoría «Otro» el 53% (39) y a «Objetos» el 33% (24). Esta solo hace presencia en el 14% (10) de la muestra, a través de las categorías «Yo» (7%, 5) y «Mixto» (7%, 5). Del mismo modo, en la autorrepresentación, domina la representación «Indirecta» en un 88% (64) de los elementos analizados, seguida de la «Directa completa» en el limitado 12% (9) restante. Por su parte, el «Plano general» es el predominante para la representación del contenido en el 74% de los casos, a mucha distancia del «Plano Medio» y el «Plano Americano» (12% cada uno). Así, los vídeos con presencia de la influencer representan menos del 1% del total de elementos que forman los carruseles (0,5%) y del total de elementos —imágenes, y carruseles de imágenes o vídeos— que componen la muestra (0,3%).

6.   Discusión y conclusiones

Los resultados obtenidos revelan que las publicaciones analizadas responden a un patrón en el que predominan las imágenes estáticas con el «Yo» como objeto central (73%), una autorrepresentación «Directa completa» (79%) y el uso mayoritario de planos medios (36%), lo que sugiere una estrategia visual orientada a la visibilización del cuerpo sin renunciar al reconocimiento facial.

El predominio de ciertos planos es coherente con posibles dificultades de la IAG para representar detalles o expresiones faciales (Chayka, 2023). Por su parte, la lógica de autoexposición encaja con la autoobjetificación detectada en otras investigaciones sobre influencers humanas (Llovet y Establés, 2023).

El análisis evidencia, también, un uso instrumental de los carruseles. Estos están compuestos mayoritariamente por 2 o 3 imágenes con una representación inicial del «Yo» (59%) y un subsecuente aumento de la presencia de objetos o terceros, así como de la representación indirecta y el uso del plano general. Esta progresión sugiere un intento deliberado de construir escenas más complejas y auténticas, coincidiendo con conclusiones previas sobre cómo las referencias sociales percibidas aumentan la autenticidad y el compromiso del público (Chung et al., 2023).

En contraste con el auge del vídeo en redes sociales (Kemp, 2025), su uso en las influencers analizadas es residual suponiendo menos del 0,3% de los elementos. El «Yo» está presente en el 14% de los casos, con una mayoría de representaciones indirectas (88%) y en plano general (74%). Este patrón es coherente con posibles dificultades de la IAG del período para mantener coherencia identitaria en vídeo —especialmente en movimiento y sincronización facial— (Podstawski et al., 2025). Estas restricciones contrastan con las recomendaciones de la propia plataforma (Mosseri, 2024) y con el rendimiento superior atribuido al vídeo y a los carruseles frente a imágenes fijas (Socialinsider, 2025).

Así, a diferencia de las influencers humanas, cuya producción de contenido se nutre de su vida cotidiana, las influencers virtuales son productos digitales cuyo contenido depende de un proceso tecnológicamente complejo. La escasa frecuencia de publicación en muchos perfiles —el 62% son usuarias poco frecuentes— y la coexistencia en algunos casos de imágenes algorítmicas con otras digitales más convencionales refuerzan esta idea.

A su vez, que el 77% de los perfiles analizados sean promovidos por empresas u organizaciones con fines lucrativos los confirma como productos estratégicamente diseñados para maximizar su visibilidad y eficacia comunicativa, aspecto ya observado en estudios previos (Gerlich, 2023). La elección del estilo de vida como temática dominante (76%) refuerza esta orientación, ya que proporciona un contexto versátil para la integración de productos y servicios, optimizando su rentabilidad como soporte comunicativo. El análisis por perfiles revela el uso de estrategias diferenciadas en función de objetivos comerciales, pero también enfoque temático, narrativa del personaje o tipo de tecnología empleada.

Este estudio ha permitido evidenciar que los códigos predominantes en las publicaciones en Instagram de las influencers virtuales de apariencia humana generadas con IAG no solo reproducen pautas propias de la plataforma, sino que guardan correspondencia con el estadio tecnológico del período analizado. El contraste entre las pretensiones por maximizar el alcance y la rentabilidad y los patrones comunicativos observados resulta compatible con posibles restricciones técnicas, de modo que la tecnología que posibilita la existencia de estas figuras podría ser la misma que delimita su práctica comunicativa.

En definitiva, este tipo de influencers se revelan como productos postfotográficos creados bajo parámetros mediáticos, cuya eficacia parece residir en su capacidad para replicar retóricas de comportamiento y códigos sociales y estéticos extendidos en las redes sociales para activar la identificación emocional de la audiencia, provocar un objetivo aspiracional en la misma y generar engagement con el fin de conseguir rentabilidad comercial. Sin embargo, sus referentes de autorrepresentación parecen ser más algorítmicos que físicos y su representación del «Yo» semeja ser el resultado de una ficción visual limitada por la propia tecnología que la crea.

Las limitaciones del estudio se derivan tanto de su carácter exploratorio, como de la selección de un corpus muestral que puede introducir sesgos de plataforma, comunidad, periodo temporal y tecnológico. Ello hace necesarias futuras investigaciones que permitan triangular los hallazgos con: análisis similares; entrevistas a estudios y agencias para documentar procesos y decisiones; y comparativas con influencers humanas incorporando métricas de rendimiento y modelos inferenciales. Asimismo, la consolidación de modelos generativos de vídeo aconseja examinar si los avances tecnológicos para generar secuencias en movimiento coherentes modifican la frecuencia y uso del vídeo en estas figuras y las acerca a los patrones de sus análogas humanas.

Ética y transparencia

Conflicto de intereses

Los autores manifiestan que no existe conflicto de intereses.

Financiación

Los autores no han recibido financiación para la realización de la investigación.

Contribuciones de los autores

Disponibilidad de los datos

Existe la posibilidad de acceso a los datos a través de los autores.

Referencias bibliográficas

Adobe (2024, 14 de octubre). Adobe Launches Firefly Video Model and Enhances Image, Vector and Design Models. https://tinyurl.com/yze859ps

Allal-Chérif, O., Puertas, R., y Carracedo, P. (2024). Intelligent influencer marketing: how AI-powered virtual influencers outperform human influencers. Technological Forecasting and Social Change, 200, 123113. https://doi.org/10.1016/j.techfore.2023.123113

Arsenyan, J. y Mirowska, A. (2021). Almost human? A comparative case study on the social media presence of virtual influencers. International Journal of Human-Computer Studies, 155, 102694. https://doi.org/10.1016/j.ijhcs.2021.102694

Batista da Silva Oliveira, A. y Chimenti, P. (2021). «Humanized Robots»: A Proposition of Categories to Understand Virtual Influencers. Australasian Journal of Information Systems, (25), 1-27. https://doi.org/10.3127/ajis.v25i0.3223

Bougueffa, H., Keita, M., Hamidouche, W., Taleb-Ahmed, A., Liz-López, H., Martín, A., ... y Hadid, A. (2024). Advances in AI-Generated Images and Videos. International Journal of Interactive Multimedia & Artificial Intelligence, 9(1). https://doi.org/10.9781/ijimai.2024.11.003

Caldeira, S. P. (2016). Identities in Flux: An Analysis to Photographic Self-Representation on Instagram. Observatorio (OBS*), 10(3). https://doi.org/10.15847/obsOBS10320161031

Caro Castaño, L. (2023). Prácticas postfotográficas en los medios sociales. Un estudio transnacional sobre el uso de las historias de Instagram. Methaodos,11(2), m231102a15. https://doi.org/10.17502/mrcs.v11i2.723

Carrillo-Durán, M.,García, M. y Corzo, L. (2024). Influencers virtuales de apariencia humana como forma de comunicación online: el caso de Lil Miquela y Lu do Magalu en Instagram. Revista de Comunicación, (23)1, 119-140. https://doi.org/10.26441/RC23.1-2024-3453

Chayka, K. (2023, 10 de febrero). Is A.I. Art stealing from artist? The New Yorker. https://tinyurl.com/5dudcsbx

Choudhry, A.; Han, J.; Xu, X. y Huang, Y. (2022). "I Felt a Little Crazy Following a'Doll'" Investigating Real Influence of Virtual Influencers on Their Followers. Proceedings of the ACM on human-computer interaction, 6(GROUP), 1-28. https://doi.org/10.1145/3492862

Chung, J., Ding, Y., y Kalra, A. (2023). I really know you: how influencers can increase audience engagement by referencing their close social ties. Journal of Consumer Research, 50(4), 683-703. https://doi.org/10.1093/jcr/ucad019

Engström, J. (2022). Virtual Influencers: Antecedents and Typologizing. En Annmarie, H. y Tracy, T. (eds.), The SAGE Handbook of Social Media Marketing (pp. 303-315). Sage.

Forristal, L. (2023, 6 de octubre). Generative AI starup 1337 (Leet) is paying users to help create AI-driven influencers. Techcrunch. https://tinyurl.com/5xzatduk

Fontcuberta, J. (2016). La furia de las imágenes: notas sobre la postfotografía. Galaxia Gutenberg.

Franganillo, J. (2022). Contenido generado por inteligencia artificial: oportunidades y amenazas. Anuario ThinkEPI, 16. https://doi.org/10.3145/thinkepi.2022.e16a07

Frier, S. (2020). No filter: The inside story of Instagram. Simon y Schuster.

Gartner (2023, 23 de agosto). Hype Cycle. https://tinyurl.com/4vaafzxy

Gerlich, M. (2023). The power of virtual influencers: Impact on consumer behaviour and attitudes in the age of AI. Administrative Sciences, 13(8), 178. https://doi.org/10.3390/admsci13080178

Gómez-Gómez, H., y Rubio-Tamayo, J. L. (2023). Algoritmografía, hito y fenómeno en la producción de imágenes fijas en la era digital. Visual Review, 14(2). https://doi.org/10.37467/revvisual.v10i2.507

Guerrero-Solé, F., y Ballester, C. (2023). El impacto de la Inteligencia Artificial Generativa en la disciplina de la comunicación. Hipertext.net, (26), 1-9. https://doi.org/10.31009/hipertext.net.2023.i26.01

Higueras, S. J. V., y Mata-Núñez, A. (2025). Influencers virtuales femeninas y representación de género: análisis de su imagen en Instagram. European Public & Social Innovation Review, 10, 1-21. https://doi.org/10.31637/epsir-2025-568

Hofeditz, L., Nissen, A., Schütte, R., y Mirbabaie, M. (2022). Trust Me, I’m an Influencer! A Comparison of Perceived Trust in Human and Virtual Influencers. ECIS 2022 Research-in-Progress Papers, 27. https://tinyurl.com/3t8cv9un

Hontoria, C. T. (2022). La publicidad encubierta. La publicidad a través de influencers. [Trabajo de Fin de Grado, Universidad de Valladolid]. Repositorio institucional UVA. https://tinyurl.com/3nhusetw

Kemp, S. (2025) Digital 2025. We are social y Meltwater. https://tinyurl.com/2w54drmy

Laszkiewicz, A. y Kalinska-Kula, M. (2023). Virtual influencers as an emerging marketing theory: A systematic literature review. International Journal of Consumer Studies, 47(6), 2479–2494. https://doi.org/10.1111/ijcs.12956

Liu, F y Lee, Y. (2024). Virtually authentic: examining the match-up hypothesis between human vs virtual influencers and product types. Journal of Product & Brand Management, 33(2), 287-299. https://doi.org/10.1108/jpbm-03-2023-4418    

Llovet, C., y Establés, M. J. (2023). ¿Desvestidos para triunfar? Análisis de contenido de la auto objetificación de influencers en España. Revista de Comunicación, 22(2), 271-297. https://doi.org/10.26441/RC22.2-2023-3004

Luna, S. M. (2019). La imagen algorítmica. Hacia una nueva (in) visibilidad. Revista Académica Estesis, (7), 4-17. https://doi.org/10.37127/25393995.50

Midjourney (2022, 13 de julio). We're officially moving to open-beta! X, https://tinyurl.com/2pe364ha

Mosele, F. (s.f.). AI Timeline. A history of image and video generative models. https://tinyurl.com/bdz3u348

Mosseri A. [@mosseri] (2024, 17 de octubre). Carousels often get more reach than single photo posts for two main reasons. Also, quick plug: using music on carousels... [Video]. Instagram. https://tinyurl.com/3288yxh3

Núñez, L. (2022, 29 de noviembre). Los tipos de influencers que debes conocer. ARDE. https://tinyurl.com/ythphj3m

Open AI (2022, 22 de septiembre). DALL·E ya está disponible sin lista de espera. https://tinyurl.com/mrhbs6yd

Podstawski, M., Kudelska, M., y Wang, H. (2025). Face Consistency Benchmark for GenAI Video. arXiv preprint arXiv:2505.11425. https://doi.org/10.48550/arXiv.2505.11425

Robinson, B. (2020). Towards an Ontology and Ethics of Virtual Influencers. Australasian Journal of Information Systems, 24. https://doi.org/10.3127/ajis.v24i0.2807

Rodrigo-Martín, I.; Muñoz-Sastre, D. y Rodrigo-Martín, L. (2022). Los influencers virtuales como líderes de opinión y su empleo en técnicas en comunicación política. Revista Mediterránea de Comunicación, 13(1), 251-266. https://www.doi.org/10.14198/MEDCOM.20751

Saharia, C., Chan, W., Saxena, S., Li, L., Whang, J., Denton, E. L., ... y Norouzi, M. (2022). Photorealistic text-to-image diffusion models with deep language understanding. Advances in neural information processing systems, 35, 36479-36494. https://doi.org/10.48550/arXiv.2205.11487

Sanz-Marcos, P., González-Haba, G., Castillo-Díaz, A. y Vergara, E. (2024). La investigación científica sobre el uso de influencers en la gestión de las marcas: estado de la cuestión. Icono14, 22(1), e2125. https://doi.org/10.7195/ri14.v22i1.2125

Shen, Z. (2024). Shall brands create their own virtual influencers? A comprehensive study of 33 virtual influencers on Instagram. Humanities and Social Sciences Communications, 11(1), 1-14. https://doi.org/10.1057/s41599-024-02698-y

Socialinsider. (2025, 5 de mayo). 2025 Instagram Benchmarks. socialinsider.io. https://tinyurl.com/2hanffbd

Stability.Ai. (2023, 3 de octubre). Celebrating one year(ish) of Stable Diffusion … and what a year it’s been! https://tinyurl.com/2ftbyyu7

Teubner, T., Flath, C. M., Weinhardt, C., Van Der Aalst, W., y Hinz, O. (2023). Welcome to the era of chatgpt et al. the prospects of large language models. Business & Information Systems Engineering, 65(2), 95-101. https://doi.org/10.1007/s12599-023-00805-y

The Business Research Company. (2025). Digital Human Global Market Report 2025. https://tinyurl.com/4tkwty34

Wu, C., Liang, J., Ji, L., Yang, F., Fang, Y., Jiang, D. y Duan, N. (2022). Nüwa: Visual synthesis pre-training for neural visual world creation. En European conference on computer vision (pp. 720–736). Springer Nature Switzerland. https://doi.org/10.48550/arXiv.2111.12417

Yang, J., Chuenterawong, P.,Lee, H. y Chock, T. (2023). Anthropomorphism in CSR Endorsement: A Comparative Study on Humanlike vs. Cartoonlike Virtual Influencers’ Climate Change Messaging. Journal of Promotion Management, 29(5), 705-734. https://doi.org/10.1080/10496491.2022.2163041