Arte visual con inteligencia artificial, a menudo abreviado como arte con IA, se refiere a obras de arte visuales producidas o mejoradas por programas de inteligencia artificial (IA), predominantemente a través de modelos de texto a imagen. La práctica de la creación artística automatizada tiene un precedente histórico que se remonta a la antigüedad. La disciplina formal de la inteligencia artificial surgió en la década de 1950 y, posteriormente, los artistas comenzaron a integrar la IA en sus procesos creativos. Destacadas obras de arte generadas por IA han logrado exhibirse en museos y han recibido elogios. Históricamente, la IA ha provocado numerosas investigaciones filosóficas sobre la cognición humana, las entidades sintéticas y la esencia del arte dentro de marcos de colaboración entre humanos e IA.
La disponibilidad generalizada de modelos de conversión de texto a imagen, incluidos Midjourney, DALL-E y Stable Diffusion, durante el auge de la inteligencia artificial de la década de 2020 permitió a los usuarios públicos producir imágenes rápidamente con un mínimo esfuerzo. El discurso en torno al arte de la IA en la década de 2020 se ha centrado con frecuencia en preocupaciones sobre la infracción de derechos de autor, la tergiversación, el daño a la reputación y sus implicaciones para los artistas convencionales, en particular el potencial de desempleo tecnológico.
En agosto de 2023, la Corte Suprema de los Estados Unidos determinó que el arte generado por IA no califica para la protección de los derechos de autor, citando su falta de autoría humana. Posteriormente, en marzo de 2026, el Tribunal se negó a revisar un caso relativo a la elegibilidad de derechos de autor de obras de arte producidas por IA.
Contexto histórico
Génesis y primeros desarrollos
El concepto de arte automatizado se remonta a los autómatas de la antigua civilización griega, donde a figuras como Dédalo y Héroe de Alejandría se les atribuyó el mérito de idear mecanismos capaces de generar texto, producir sonido e interpretar música. A lo largo de la historia, han surgido autómatas sofisticados, ejemplificados por el autómata de Maillardet, desarrollado alrededor de 1800, que demostró la capacidad de producir diversos dibujos y poemas.
Durante el siglo XIX, Ada Lovelace postuló que las "operaciones informáticas" tenían el potencial de generar música y poesía. El artículo fundamental de Alan Turing de 1950, "Computing Machinery and Intelligence", exploró la viabilidad de que las máquinas emulen de manera convincente el comportamiento humano. Posteriormente, el campo académico de la inteligencia artificial se estableció formalmente en un taller de investigación celebrado en Dartmouth College en 1956.
Desde sus inicios, los investigadores de IA han profundizado en investigaciones filosóficas sobre la esencia de la mente humana y las ramificaciones del desarrollo de entidades artificiales que poseen inteligencia similar a la humana; Estas profundas preguntas se han abordado históricamente en diversos ámbitos, incluida la mitología, la literatura y la filosofía, desde la antigüedad.
Integración artística
Tras el establecimiento de la IA en la década de 1950, los artistas comenzaron a aprovechar la inteligencia artificial para la creación de obras de arte. Estas producciones se clasificaron ocasionalmente como arte algorítmico, arte por computadora, arte digital o arte de nuevos medios.
AARON se erige como uno de los sistemas artísticos de IA pioneros y más influyentes, iniciado por Harold Cohen a fines de la década de 1960 en la Universidad de California en San Diego. Empleando una metodología simbólica basada en reglas característica de la era de la programación de la Inteligencia Artificial a la antigua usanza (GOFAI), AARON fue diseñado por Cohen para codificar computacionalmente el acto de dibujar, generando imágenes técnicas. Su exposición inaugural tuvo lugar en 1972 en el Museo de Arte del Condado de Los Ángeles. Entre 1973 y 1975, Cohen desarrolló aún más a AARON durante una residencia en el Laboratorio de Inteligencia Artificial de la Universidad de Stanford. En 2024, el Museo Whitney de Arte Americano exhibió arte de IA que abarca la carrera de Cohen, presentando iteraciones reconstruidas de sus primeros aparatos de dibujo robóticos.
Desde la década de 1980, Karl Sims ha presentado arte derivado de la vida artificial. Obtuvo una Maestría en Ciencias en gráficos por computadora del MIT Media Lab en 1987 y trabajó como artista residente de 1990 a 1996 en Thinking Machines, un destacado fabricante de supercomputadoras y empresa de inteligencia artificial. Sims recibió el Golden Nica en el Prix Ars Electronica tanto en 1991 como en 1992 por sus trabajos en vídeo que incorporan la evolución artificial. En 1997, desarrolló Galápagos, una instalación interactiva de evolución artificial, para el Centro de Intercomunicación NTT en Tokio. En reconocimiento a sus contribuciones excepcionales al desarrollo de la ingeniería, Sims recibió un premio Emmy en 2019.
En 1999, Scott Draves, en colaboración con un equipo de ingenieros, desarrolló y lanzó Electric Sheep, un protector de pantalla de software gratuito. Esta iniciativa informática voluntaria anima y desarrolla llamas fractales, distribuyéndolas a través de computadoras en red para mostrarlas como salvapantallas. El sistema empleó inteligencia artificial para generar animación continua a través de la interacción de la audiencia. Draves recibió el premio Life 4.0 de Fundación Telefónica por Electric Sheep en 2001.
Stephanie Dinkins inició el proyecto Conversaciones con Bina48 en 2014. En esta serie, Dinkins documentó sus diálogos con BINA48, un robot social diseñado para parecerse a una mujer negra de mediana edad. En 2019, Dinkins fue honrada con el premio Creative Capital por su desarrollo de una inteligencia artificial en evolución, que se basó en los "intereses y culturas de las personas de color".
Sougwen Chung comenzó Mimicry (Drawing Operations Unit: Generation 1) en 2015, estableciendo un esfuerzo de colaboración continuo entre el artista y un brazo robótico. Chung recibió el Premio Lumen en 2019 por sus actuaciones sostenidas con un brazo robótico que utiliza inteligencia artificial para emular su estilo de dibujo.
Christie's en Nueva York organizó una subasta de arte con inteligencia artificial en 2018, durante la cual la obra de arte generada por IA Edmond de Belamy se vendió por 432.500 dólares. Este precio de venta superó significativamente su valor estimado de entre 7.000 y 10.000 dólares estadounidenses en casi 45 veces. El colectivo parisino Obvious fue el responsable de crear esta obra de arte.
La película japonesa generAIdoscope se estrenó en 2024. Codirigida por Hirotaka Adachi, Takeshi Sone y Hiroki Yamaguchi, la producción contó con vídeo, audio y música íntegramente generados por inteligencia artificial.
La serie de televisión de anime japonesa Twins Hinahima se estrenó en 2025. Su producción y animación incorporaron Asistencia de IA para tareas como cortar y convertir fotografías en ilustraciones de anime, con retoques posteriores realizados por el personal de arte. La mayoría de los demás elementos, incluidos personajes y logotipos, se dibujaron manualmente utilizando diversas aplicaciones de software.
Historia técnica
El aprendizaje profundo, que se distingue por su arquitectura de múltiples capas diseñada para emular el cerebro humano, surgió en la década de 2010, instigando una profunda transformación en el dominio del arte de la IA. Esta era de aprendizaje profundo presenta principalmente varios paradigmas de diseño de arte generativo, incluidos modelos autorregresivos, modelos de difusión, redes generativas adversarias (GAN) y flujos de normalización.
En 2014, Ian Goodfellow y sus colaboradores de la Universidad de Montreal fueron pioneros en la red generativa adversarial (GAN), una clase de redes neuronales profundas diseñadas para replicar la distribución estadística de datos de entrada, como imágenes. Una GAN opera con dos componentes: un "generador" que sintetiza imágenes novedosas y un "discriminador" que evalúa la autenticidad de estas imágenes generadas. A diferencia del arte algorítmico anterior, que se adhería a reglas predefinidas, las GAN adquirieron la capacidad de aprender estéticas específicas a través del análisis de extensos conjuntos de datos de imágenes.
En 2015, un equipo de Google presentó DeepDream, un programa que emplea una red neuronal convolucional para identificar y amplificar patrones dentro de imágenes mediante pareidolia algorítmica. Este proceso produce imágenes intencionalmente sobreprocesadas caracterizadas por una cualidad onírica, que evoca una estética psicodélica. Posteriormente, en 2017, una GAN condicional demostró la capacidad de generar 1000 clases de imágenes a partir de ImageNet, una importante base de datos visual desarrollada para la investigación en software de reconocimiento visual de objetos. Al condicionar la GAN con ruido aleatorio y una etiqueta de clase específica, esta metodología mejoró significativamente la calidad de la síntesis de imágenes para modelos condicionales de clase.
Los modelos autorregresivos encontraron aplicación en la generación de imágenes, ejemplificado por PixelRNN (2016), que genera secuencialmente píxeles individuales utilizando una red neuronal recurrente. Tras la introducción de la arquitectura Transformer en Attention Is All You Need (2018), se adoptó rápidamente para la generación de imágenes autorregresivas, aunque inicialmente sin condicionamiento de texto.
Artbreeder, un sitio web lanzado en 2018, aprovecha los modelos StyleGAN y BigGAN para permitir a los usuarios generar y manipular diversas imágenes, incluidos rostros, paisajes y representaciones artísticas.
La década de 2020 fue testigo de la adopción generalizada de modelos de texto a imagen, que producen imágenes a partir de indicaciones textuales, lo que significa otra fase transformadora en el desarrollo de obras de arte generadas por IA.
En 2021, OpenAI presentó DALL-E 1, un modelo de IA de texto a imagen que generaba imágenes utilizando la arquitectura de influyentes modelos transformadores preentrenados generativos de lenguaje grande, similares a los que se encuentran en GPT-2 y GPT-3. DALL-E 1 funciona como un modelo generativo autorregresivo y comparte principios arquitectónicos fundamentales con GPT-3. Al mismo tiempo, más adelante en 2021, EleutherAI lanzó VQGAN-CLIP, un modelo de código abierto derivado del CLIP de OpenAI. Si bien los modelos de difusión, que son modelos generativos diseñados para sintetizar datos de conjuntos de datos existentes, se propusieron inicialmente en 2015, su rendimiento superó a las redes generativas adversarias (GAN) solo a principios de 2021. El modelo de difusión latente, publicado en diciembre de 2021, sirvió posteriormente como tecnología fundamental para la difusión estable, lanzada en agosto de 2022, un esfuerzo de colaboración entre Stability AI, CompVis Group en LMU Munich y Runway.
El año 2022 fue testigo de una expansión significativa en la generación de imágenes de IA, con el lanzamiento de Midjourney, seguido de Imagen y Parti de Google Brain, ambos anunciados en mayo. Microsoft presentó NUWA-Infinity y Stable Diffusion, disponible en fuente, se hizo público en agosto de 2022. DALL-E2, una iteración avanzada de DALL-E, se sometió a pruebas beta y lanzamiento posterior, y su sucesor, DALL-E3, surgió en 2023. Stability AI admite Stable Diffusion a través de varias plataformas, incluida su interfaz web, DreamStudio y complementos dedicados para Krita, Photoshop, Blender y GIMP. Además, la interfaz de usuario de código abierto basada en web de Automatic1111 facilita el acceso. El principal modelo previamente entrenado para Stable Diffusion es accesible públicamente a través de Hugging Face Hub.
En agosto de 2023, se lanzó Ideogram, que se distingue por su notable capacidad para generar texto legible dentro de imágenes.
El año 2024 vio la introducción de Flux, un modelo capaz de generar imágenes altamente realistas. Posteriormente, Flux se integró en Grok, el chatbot utilizado en X (anteriormente Twitter), y en Le Chat, el chatbot de Mistral AI. Black Forest Labs, establecido por los investigadores originales de Stable Diffusion, desarrolló Flux. Sin embargo, Grok hizo la transición a su modelo patentado de conversión de texto a imagen, Aurora, en diciembre del mismo año. Al mismo tiempo, varias empresas desarrollaron modelos de IA integrados con servicios de edición de imágenes. Adobe lanzó Firefly, integrándolo en Premiere Pro, Photoshop e Illustrator, mientras que Microsoft anunció públicamente funcionalidades de generación de imágenes con IA para Microsoft Paint. Además, mediados de la década de 2020 marcó el surgimiento de modelos notables de conversión de texto a video, incluidos Gen-4 de Runway, VideoPoet de Google, Sora de OpenAI (lanzado en diciembre de 2024) y LTX-2 (lanzado en 2025).
El año 2025 se caracterizó por el lanzamiento de varios modelos generativos avanzados. GPT Image 1 de OpenAI, lanzado en marzo, introdujo capacidades multimodales y de representación de texto mejoradas, lo que facilita la generación de imágenes a partir de diversas entradas, como bocetos y descripciones textuales. MidJourney v7, que debutó en abril, ofrecía un procesamiento refinado de mensajes de texto. En mayo de 2025 se presentó Flux.1 Kontext de Black Forest Labs, reconocido por su eficiencia en la generación de imágenes de alta fidelidad, junto con Imagen 4 de Google, que presentó un fotorrealismo mejorado. Más tarde, en noviembre de 2025, se lanzó Flux.2, que presenta avances en referencias de imágenes, tipografía y comprensión rápida.
Herramientas y procesos
Enfoques
Los artistas emplean diversas metodologías para generar arte visual con IA. En el enfoque de texto a imagen, la inteligencia artificial sintetiza imágenes a partir de descripciones textuales, aprovechando modelos como la difusión o las arquitecturas basadas en transformadores; los usuarios proporcionan indicaciones y la IA genera las imágenes correspondientes. El método de imagen a imagen implica que la IA transforme una imagen de entrada existente en un estilo o forma novedosa, guiada por un mensaje o referencia de estilo específico, ejemplificado al convertir un boceto en una representación fotorrealista o aplicar una estética artística distintiva. Para aplicaciones de imagen a video, la IA produce breves videoclips o animaciones a partir de una sola imagen o una secuencia, incorporando frecuentemente movimiento o transiciones, que pueden ir desde animar retratos estáticos hasta construir escenas dinámicas. Finalmente, las capacidades de conversión de texto a video permiten a la IA generar videos directamente a partir de indicaciones textuales, lo que da como resultado animaciones, escenarios realistas o secuencias visuales abstractas, lo que representa una evolución de la generación de texto a imagen con énfasis en la continuidad temporal.
Imágenes
Los artistas que utilizan modelos de difusión tienen acceso a una amplia gama de herramientas. Estos incluyen la capacidad de definir indicaciones tanto positivas como negativas, así como la opción de incorporar o excluir componentes como VAE, LoRA, hiperredes, adaptadores de IP e inversiones incrustadas/textuales. Además, los artistas pueden ajustar varios parámetros, incluida la escala de orientación (que modula el equilibrio entre libertad creativa y fidelidad), semilla (para gestionar la estocasticidad) y escaladores (para mejorar la resolución de la imagen). La manipulación del ruido antes de la inferencia ofrece otra vía de influencia, mientras que los métodos convencionales de posprocesamiento se aplican comúnmente después de la inferencia. Los usuarios también poseen la capacidad de entrenar modelos personalizados.
Como complemento a los modelos de difusión, han surgido técnicas procedimentales de generación de imágenes basadas en reglas, que emplean patrones matemáticos, algoritmos que emulan pinceladas y otros efectos artísticos, junto con arquitecturas de aprendizaje profundo como redes generativas adversarias (GAN) y transformadores. Numerosas empresas ofrecen aplicaciones y plataformas web que agilizan el proceso, permitiendo a los usuarios concentrarse únicamente en indicaciones positivas sin necesidad de ajustar manualmente otros parámetros. Además, existe software especializado para estilizar fotografías a fin de replicar las características visuales de movimientos artísticos de renombre.
Las herramientas disponibles abarcan un amplio espectro, desde aplicaciones móviles fáciles de usar diseñadas para consumidores hasta sofisticadas computadoras portátiles Jupyter e interfaces de usuario basadas en web que exigen recursos sustanciales de GPU para un rendimiento óptimo. Entre las funcionalidades avanzadas se encuentra la "inversión textual", que facilita la integración de conceptos definidos por el usuario, como objetos específicos o estilos artísticos, aprendidos a partir de un conjunto limitado de imágenes. Esto permite la generación de obras de arte novedosas basadas en descriptores textuales asociados (palabras asignadas a los conceptos aprendidos, frecuentemente abstractos) y a través de extensiones de modelos o técnicas de ajuste, ejemplificadas por DreamBooth.
Impacto y aplicaciones
La inteligencia artificial posee la capacidad de una profunda transformación social, fomentando potencialmente la proliferación de géneros especializados no comerciales (por ejemplo, derivados del cyberpunk como el solarpunk) por parte de creadores aficionados, facilitando nuevas formas de entretenimiento, acelerando la creación de prototipos, mejorando la accesibilidad a la creación de arte y mejorando la eficiencia de la producción artística en términos de esfuerzo, costo o tiempo. Esta eficiencia se logra a través de capacidades como generar borradores preliminares, definir conceptos y producir componentes de imágenes (inpainting). Las imágenes generadas suelen servir como bocetos preliminares, activos experimentales económicos, fuentes de inspiración o representaciones visuales para ideas de prueba de concepto. Además, las mejoras pueden implicar la edición manual de posgeneración, incluido el refinamiento posterior mediante software de edición de imágenes.
Los artistas y diseñadores visuales profesionales han empleado predominantemente IA generativa durante la conceptualización inicial (pensamiento divergente) en lugar de en la producción final (pensamiento convergente). Las disciplinas que producen resultados digitales o efímeros, como el diseño UI/UX y el arte conceptual, integran estas tecnologías más fácilmente que aquellas que producen artefactos físicos permanentes como la escultura o la arquitectura. Dentro de los dominios físicos, las consideraciones de integridad estructural, limitaciones materiales y "etnocomputación" cultural con frecuencia restringen la IA a un papel de mejora complementario, en lugar de un sustituto directo de los métodos de producción tradicionales. Además, las actitudes hacia la adopción exhiben una variación considerable entre las etapas profesionales; Los profesionales principiantes a menudo perciben la IA generativa como una extensión práctica de las herramientas digitales esenciales para la competitividad del mercado, mientras que los profesionales experimentados frecuentemente expresan un escepticismo crítico sobre la posible devaluación de la experiencia incorporada y el impacto en el desarrollo de habilidades a largo plazo.
Ingeniería e intercambio rápidos
Las solicitudes para ciertos modelos de texto a imagen pueden incorporar imágenes, palabras clave y parámetros configurables, incluido el estilo artístico. Esta especificación de estilo se logra frecuentemente a través de frases clave como "en el estilo de [nombre del artista]" dentro del mensaje, o seleccionando una estética o estilo artístico amplio. Existen plataformas dedicadas para compartir, intercambiar, descubrir, refinar y desarrollar en colaboración mensajes personalizados para la generación de imágenes específicas. Las indicaciones suelen difundirse junto con las imágenes generadas en varias plataformas para compartir imágenes, incluido Reddit, y en sitios web específicamente dedicados al arte de la IA. Es importante señalar que un mensaje constituye sólo un componente de la entrada necesaria para la generación de imágenes; Otros determinantes cruciales incluyen la resolución de salida, la semilla aleatoria y los parámetros de muestreo aleatorio.
Terminología relacionada
Los medios sintéticos, que incluyen el arte generado por IA, se identificaron en 2022 como una tendencia tecnológica importante que se prevé impactará en varias industrias en el futuro previsible. Investigadores de la Escuela Kennedy de Harvard expresaron su preocupación por el potencial de los medios sintéticos para difundir información política errónea, luego de su investigación sobre la adopción generalizada de arte generado por IA en la plataforma X. Sintografía representa una nomenclatura sugerida para la metodología de producción de imágenes de tipo fotográfico a través de inteligencia artificial.
Contexto filosófico
El arte visual generado por inteligencia artificial ha instigado un extenso discurso filosófico sobre los conceptos de creatividad, autoría y la naturaleza ontológica inherente de las representaciones visuales. Una investigación fundamental gira en torno a si el valor intrínseco del arte depende de la intencionalidad humana y la conciencia consciente. Los detractores sostienen que la ausencia de experiencia subjetiva y de intención deliberada en los sistemas de IA impide que sus producciones sean consideradas expresiones artísticas “auténticas”. Por el contrario, sus defensores afirman que el mérito estético reside en la recepción de una obra y su utilidad cultural, y no únicamente en los estados internos de su creador, posicionando así a los sistemas de IA como instrumentos o entidades colaborativas dentro de paradigmas ampliados de esfuerzo creativo.
Las imágenes generadas por IA también cuestionan fundamentalmente las teorías de representación establecidas. Tradicionalmente se ha percibido que la fotografía y el cine poseen una relación indexical con la realidad física, lo que implica un vínculo causal con eventos u objetos del mundo real. Por el contrario, los sistemas generativos de IA sintetizan imágenes mediante el reconocimiento de patrones estadísticos, en lugar de mediante el registro físico directo, atenuando o cortando por completo esta conexión indexical.
El teórico de los medios Johannes Grenzfurthner postula que este cambio de paradigma requiere una “revelación ontológica” (una declaración explícita de la naturaleza de una imagen como físicamente referencial, híbrida o completamente sintética) para mantener la transparencia ética y política dentro de la cultura visual. Este discurso actual posiciona el arte visual generado por IA dentro de deliberaciones filosóficas más amplias sobre la tecnología, la autenticidad y la redefinición dinámica de la expresión artística.
Análisis de arte existente utilizando IA
Más allá de la generación de obras de arte novedosas, se han desarrollado metodologías de investigación basadas en inteligencia artificial para el análisis cuantitativo de colecciones de arte digital. Este avance es atribuible a la extensa digitalización de obras artísticas durante las últimas décadas. Como señalaron CETINIC y SHE (2022), la aplicación de inteligencia artificial para examinar las colecciones de arte existentes ofrece conocimientos novedosos sobre la evolución de los estilos artísticos y el discernimiento de las influencias artísticas.
El análisis del arte digitalizado suele emplear dos metodologías computacionales principales: lectura cercana y visión distante. La lectura atenta se concentra en atributos visuales particulares dentro de obras de arte individuales. Las tareas impulsadas por máquinas dentro de los enfoques de lectura atenta abarcan la autenticación computacional del artista y el análisis detallado de la pincelada o las características texturales. Por el contrario, las metodologías de visualización a distancia permiten la visualización estadística de similitudes en una colección completa en función de una característica designada. Las aplicaciones típicas de este método incluyen clasificación automática, detección de objetos, análisis multimodal, extracción de conocimientos en historia del arte y estética computacional. Además, las imágenes sintéticas se pueden utilizar para entrenar algoritmos de inteligencia artificial con el fin de autenticar el arte y detectar falsificaciones.
Además, los investigadores han desarrollado modelos diseñados para pronosticar respuestas emocionales a las creaciones artísticas. Un ejemplo notable es ArtEmis, un conjunto de datos completo integrado con modelos de aprendizaje automático. ArtEmis comprende anotaciones emocionales aportadas por más de 6.500 participantes, complementadas con las correspondientes explicaciones textuales. A través del análisis de datos visuales y las descripciones textuales asociadas dentro de este conjunto de datos, ArtEmis facilita la producción de predicciones emocionales sofisticadas.
Otras formas de arte con IA
La inteligencia artificial ha encontrado aplicaciones en ámbitos artísticos que van más allá de las artes visuales. La IA generativa se ha empleado en la composición musical y en el desarrollo de videojuegos, trascendiendo las meras imágenes para incluir el diseño de niveles (por ejemplo, para mapas personalizados), la generación de nuevo contenido (por ejemplo, misiones o diálogos) y la elaboración de narrativas interactivas. Además, la IA se ha aplicado en las artes literarias, ofreciendo asistencia en el bloqueo del escritor, proporcionando inspiración creativa o facilitando la reescritura de segmentos textuales. Dentro de las artes culinarias, ciertos prototipos de sistemas robóticos poseen la capacidad de realizar degustaciones dinámicas, lo que ayuda a los chefs en el análisis en tiempo real de la composición de los platos y los perfiles de sabor durante la preparación.
Nomenclatura: la aplicación del 'arte'
La aplicación del término "arte" a obras producidas por software de inteligencia artificial ha instigado un debate considerable entre artistas, filósofos, académicos y otras partes interesadas. Numerosos comentaristas sostienen que clasificar las imágenes generadas por máquinas como "arte" disminuye las cualidades intrínsecas del arte humano, incluidas la creatividad, la habilidad y la intencionalidad. Las definiciones contemporáneas de creación artística auténtica frecuentemente subrayan la necesidad de intenciones a nivel humano, experiencia personal, emoción y contexto histórico o artístico relevante.
La investigación realizada por la Biblioteca Nacional de Medicina indica un prejuicio humano inherente contra las obras de arte atribuidas a la inteligencia artificial. En un estudio en el que los participantes evaluaron dos imágenes comparables, una identificada explícitamente como generada por IA, los sujetos asignaron consistentemente un valor artístico menor a la imagen producida artificialmente. Este hallazgo implica que las percepciones socioculturales influyen significativamente en la clasificación de una imagen como arte, independientemente de sus características visuales inherentes.
En un informe de 2023 presentado en la Convención Anual de Observadores de Arte Digital, Samuel Loomis postuló que la designación "arte de IA" reconoce su dualidad inherente: una creación resultante tanto de la dirección humana como de procesos generativos impulsados por máquinas, particularmente cuando se compara con los puntos de referencia críticos establecidos para el arte tradicional.