La IA multimodal puede trabajar con más de un tipo de información, o «modalidad», como texto, imágenes y audio. Una herramienta que solo trabaja con texto suele recibir y devolver texto; una herramienta multimodal también puede describir una foto o responder a palabras habladas.
Por ejemplo, puedes mostrarle a una IA la imagen de una pantalla confusa de una aplicación y preguntarle qué parecen hacer los botones. Usa la imagen como parte de la entrada junto con tu pregunta.
La IA aún puede malinterpretar lo que ve o escucha. Comprueba los detalles importantes por tu cuenta, sobre todo si una imagen borrosa o una grabación poco clara podrían cambiar la respuesta.