Gemini y la encriptación en tejidos: qué nos enseña sobre cómo usar IA para resolver problemas creativos

Usar inteligencia artificial para resolver problemas creativos y técnicos complejos no requiere saber exactamente qué pregunta hacer — requiere saber con qué intención empezar la conversación. Eso es precisamente lo que demostró esta desarrolladora al usar Gemini para incrustar un mensaje encriptado en un tejido de lana usando algoritmos de codificación binaria y matrices portadoras.

El proyecto nació de una combinación poco obvia: el tejido artesanal y la historia de la computación. Dos mundos que raramente se tocan, pero que comparten una raíz matemática profunda. Lo que comenzó como una curiosidad personal terminó siendo un ejemplo concreto de cómo la inteligencia artificial puede actuar como puente entre una intuición creativa y su implementación técnica.

En este artículo analizamos qué hizo esta desarrolladora, por qué funciona como modelo de uso de IA, y cómo ese mismo enfoque puede aplicarse en proyectos de software, automatización y transformación digital en empresas de Perú y Latinoamérica.

¿Qué tiene que ver un tejido de lana con los algoritmos de encriptación?

Más de lo que parece. El tejido, en su estructura más básica, es una cuadrícula binaria: cada punto puede estar presente o ausente, elevado o hundido, de un color o de otro. Esa dualidad es exactamente el lenguaje del código binario que está en la base de toda computación moderna.

La desarrolladora aprovechó esa analogía estructural para incrustar un mensaje oculto dentro de un patrón de tejido. El método utilizado se basa en matrices portadoras — una técnica donde la información se distribuye dentro de una estructura visual de forma que no altera significativamente la apariencia del objeto, pero permite recuperar el mensaje con la clave correcta.

El mensaje encriptado en el tejido dice: 'Look what you can do'. Y la diferencia entre el tejido sin mensaje y el tejido con el mensaje incrustado es prácticamente imperceptible a simple vista. Eso es esteganografía aplicada a un medio físico — algo técnicamente desafiante que, sin la ayuda de Gemini, habría requerido semanas de investigación independiente.

Lo que hace interesante este caso no es solo el resultado estético. Es que demuestra que los límites entre lo digital y lo físico, entre el arte y la ingeniería, son mucho más porosos de lo que asumimos.

¿Cómo usó Gemini para llegar a una solución que no sabía que existía?

Aquí está el punto más valioso del caso. La desarrolladora no llegó a Gemini con una pregunta técnica precisa. Llegó con una intención: combinar su pasión por el tejido con la historia de la computación.

Le dijo literalmente eso. Y Gemini interpretó esa intención de una forma que ella no había anticipado: conectó el tejido con la historia de la computación y derivó que el interés subyacente era la codificación binaria. A partir de ahí, sugirió algoritmos concretos que podía explorar.

Eso es cualitativamente diferente a hacer una búsqueda en Google. Un motor de búsqueda te devuelve resultados basados en las palabras exactas que usas. Un modelo de lenguaje como Gemini interpreta la intención detrás de las palabras y puede sugerir conexiones que el usuario no habría formulado por sí solo.

En la práctica, Gemini la ayudó con tres cosas distintas en este proyecto. Primero, con la conceptualización: identificar qué algoritmos eran relevantes para lo que quería hacer. Segundo, con la implementación técnica: desarrollar el código de encriptación embebido en el patrón. Tercero, con la creación de una aplicación que automatizara el proceso — porque hacerlo a mano, como ella misma dice, no era una opción realista.

Este flujo — intención vaga → conversación con IA → solución técnica concreta — es replicable en cualquier proyecto. No requiere ser experto en IA. Requiere saber articular qué problema se quiere resolver y estar dispuesto a dejar que la herramienta interprete.

¿Qué nos enseña este caso sobre el uso real de inteligencia artificial en proyectos técnicos?

La mayoría de las conversaciones sobre inteligencia artificial en el mundo empresarial oscilan entre dos extremos: los que piensan que la IA lo hará todo sola, y los que piensan que es una herramienta de nicho para expertos. Este caso cae exactamente en el medio, y por eso es útil.

La desarrolladora tenía conocimiento de dominio — sabía de tejido, entendía matemáticas, tenía intuición sobre lo que quería crear. Lo que no tenía era el tiempo ni el conocimiento específico para investigar algoritmos de esteganografía, implementar código de encriptación y construir una app desde cero. Gemini cubrió esa brecha sin reemplazar su criterio creativo.

Ese es el modelo de uso más sostenible de la inteligencia artificial: como amplificador de capacidades existentes, no como sustituto del conocimiento humano. La IA no decidió qué mensaje encriptar ni por qué hacerlo en un tejido. Eso vino del juicio y la visión de la persona. La IA aceleró la parte técnica que de otro modo habría tomado mucho más tiempo.

Para equipos de desarrollo de software, este principio tiene implicaciones directas. Un desarrollador con experiencia en .NET o TypeScript que usa modelos de lenguaje para explorar arquitecturas que no conoce en profundidad — microservicios, diseño de APIs REST, patrones de seguridad — puede moverse mucho más rápido sin sacrificar la calidad del resultado final.

¿Cómo aplica esto en empresas de Perú y Latinoamérica?

El caso de la desarrolladora es un ejemplo individual, pero el patrón que ilustra es directamente aplicable a organizaciones. En Perú y Latinoamérica, muchas empresas medianas tienen equipos técnicos pequeños con una carga de trabajo alta. La brecha entre lo que se quiere construir y lo que hay tiempo y conocimiento para construir es real y costosa.

El uso de modelos de lenguaje avanzados como Gemini, Claude o GPT-4 como interlocutores técnicos — no solo como generadores de texto — puede reducir esa brecha de forma significativa. No se trata de automatizar el trabajo del desarrollador, sino de acelerar las fases de investigación, prototipado y resolución de problemas específicos.

En proyectos de implementación de ERP como Odoo, por ejemplo, este enfoque puede aplicarse cuando un equipo necesita diseñar una integración con un sistema legado y no tiene experiencia previa con ese tipo de conector. En lugar de semanas de investigación, una conversación bien dirigida con un modelo de lenguaje puede reducir ese tiempo a horas, identificando patrones de integración relevantes y generando código base que el equipo puede revisar y adaptar.

Lo mismo aplica para proyectos de desarrollo móvil con Flutter, diseño de bases de datos en PostgreSQL o SQL Server, o construcción de flujos de automatización con herramientas como n8n. La inteligencia artificial no reemplaza el criterio técnico del equipo — lo potencia cuando se usa con intención clara.

¿Cómo aplica esto en tu empresa?

Si tienes un equipo técnico — interno o externo — y quieres empezar a incorporar inteligencia artificial como herramienta de trabajo real (no como experimento), hay tres pasos concretos que puedes dar hoy.

El primero es identificar los cuellos de botella de investigación en tus proyectos actuales. ¿Dónde pierde más tiempo tu equipo buscando información, comparando opciones o tratando de entender tecnologías nuevas? Esos son los puntos donde un modelo de lenguaje puede generar más valor inmediato.

El segundo es entrenar a tu equipo en cómo formular intenciones, no solo preguntas. La diferencia entre "¿cómo encripto datos en Python?" y "estoy construyendo un sistema de mensajería para una empresa de logística en Perú, necesito proteger ciertos campos sensibles sin afectar el rendimiento" es enorme en términos de la calidad de respuesta que obtienes.

El tercero es establecer un flujo de validación. La IA puede equivocarse, especialmente en detalles técnicos específicos. El código generado debe ser revisado por alguien con criterio técnico antes de entrar a producción. Usar IA sin ese filtro es un riesgo; usarla con ese filtro es una ventaja competitiva.

En Consultoría-Ti trabajamos con equipos que están en distintos momentos de este proceso — algunos recién empezando a explorar estas herramientas, otros ya integrándolas en flujos de trabajo reales. El punto de partida siempre es el mismo: entender qué problema concreto se quiere resolver antes de elegir la herramienta.

Preguntas Frecuentes

¿Puede Gemini ayudar a un equipo de desarrollo sin experiencia previa en inteligencia artificial?

Sí. Gemini y otros modelos de lenguaje avanzados están diseñados para ser accesibles sin conocimiento previo en IA. Lo que sí se necesita es claridad sobre el problema que se quiere resolver. Un equipo de desarrollo con experiencia en su dominio — ya sea .NET, Flutter, bases de datos o integraciones — puede usar Gemini como interlocutor técnico para explorar soluciones, generar código base y reducir el tiempo de investigación, sin necesidad de formación especializada en machine learning.

¿Qué diferencia hay entre usar Gemini para desarrollo de software y simplemente buscar en Google o Stack Overflow?

La diferencia principal es que Gemini interpreta la intención detrás de la consulta, no solo las palabras clave. Google te devuelve páginas que contienen esos términos; Gemini puede conectar conceptos, sugerir enfoques que no habías considerado y generar código adaptado a tu contexto específico. Para problemas bien definidos con soluciones documentadas, Google sigue siendo útil. Para problemas complejos, interdisciplinarios o poco documentados — como combinar esteganografía con patrones de tejido, o diseñar una integración entre Odoo y un sistema legado específico — un modelo de lenguaje ofrece un tipo de asistencia cualitativamente diferente.

¿Es seguro usar inteligencia artificial para generar código que va a producción en una empresa?

El código generado por IA debe tratarse como un punto de partida, no como un resultado final listo para producción. Los modelos de lenguaje pueden cometer errores en lógica de negocio, en manejo de casos borde o en detalles de seguridad específicos del contexto. La práctica recomendada es usar la IA para acelerar el prototipado y la investigación, y luego someter ese código a revisión por parte de un desarrollador con criterio técnico antes de desplegarlo. Con ese flujo de validación, la IA reduce significativamente el tiempo de desarrollo sin comprometer la calidad ni la seguridad del sistema.

Conclusión: ¿Qué nos dice un tejido encriptado sobre el futuro del desarrollo de software?

Un mensaje oculto en lana, construido con algoritmos de codificación binaria y matrices portadoras, es una demostración concreta de algo que todavía subestimamos: la inteligencia artificial es más útil cuando se usa como interlocutor que cuando se usa como buscador. La desarrolladora no sabía exactamente qué necesitaba técnicamente. Sabía qué quería crear. Y esa diferencia lo es todo.

Para equipos de desarrollo y empresas en Perú y Latinoamérica, el aprendizaje es directo: el valor de herramientas como Gemini no está en reemplazar el conocimiento técnico, sino en amplificarlo. En reducir el tiempo entre la idea y la implementación. En conectar disciplinas que parecían separadas.

Si tu empresa está evaluando cómo incorporar inteligencia artificial en sus proyectos de desarrollo — ya sea en integraciones con Odoo, automatización de procesos o construcción de aplicaciones móviles — en Consultoría-Ti podemos ayudarte a definir por dónde empezar. Conversemos aquí.

Fuentes y Referencias

Google for Developers — Turning code into fabric with Gemini

✨ Contenido generado con ContentFlow — Consultoría-Ti