El estado de la edición de fotos: Informe de investigación 2026

Resumen ejecutivo

Entre enero y abril de 2026, analizamos datos agregados anonimizados de 10.2 millones de ediciones de fotos en las plataformas iOS, Android y web de Magic Eraser. El conjunto de datos abarca usuarios en 194 países, aunque la mayor parte del volumen proviene de Estados Unidos (34 %), India (11 %), Reino Unido (8 %), Alemania (6 %) y Brasil (5 %). Se capturaron tipos de edición, duración de sesiones, metadatos de dispositivos, calificaciones de satisfacción y tasas de re-edición. No se incluyeron imágenes individuales ni información de identificación personal en el análisis.

Cinco hallazgos destacan. Primero, la eliminación de objetos ha consolidado su posición como el tipo de edición dominante, representando más de una de cada tres ediciones. Segundo, la edición móvil ha superado a la web por primera vez en nuestro conjunto de datos, impulsada principalmente por el crecimiento de iOS. Tercero, la edición asistida por AI ya no es una función de nicho sino el flujo de trabajo predeterminado para la mayoría de los usuarios, con tres cuartas partes de todas las ediciones que involucran al menos un paso impulsado por AI. Cuarto, la fotografía de productos de comercio electrónico es el caso de uso individual más grande por industria, superando a las redes sociales y el uso personal. Quinto, las mejoras de velocidad en el procesamiento de AI han reducido los tiempos promedio de edición a más de la mitad en comparación con hace 18 meses, cambiando fundamentalmente las expectativas de los usuarios sobre los tiempos de respuesta.

Tipos de edición más comunes

Clasificamos cada edición en uno de siete tipos principales según la herramienta utilizada y el alcance de los cambios aplicados. La eliminación de objetos lidera con un 34.1 % de todas las ediciones. Esto incluye eliminar personas, señales, cables, basura y otros elementos no deseados de las fotos. La sesión típica de eliminación de objetos implica seleccionar de uno a tres objetos para eliminar, con una mediana de 1.7 objetos por sesión.

La eliminación de fondos es la segunda edición más común con un 27.8 %. Los usuarios aíslan un sujeto de su fondo para listados de productos, fotos de perfil, composiciones de diseño y contenido para redes sociales. Las ediciones de mejora (brillo, contraste, nitidez, corrección de color) representan el 17.6 % de las ediciones. Si bien la mejora fue históricamente la tarea de edición de fotos más común a nivel mundial, el auge de las cámaras de teléfonos inteligentes con fotografía computacional integrada ha reducido la necesidad de correcciones básicas.

Las categorías restantes son expansión de AI o outpainting con un 8.3 %, rellenos creativos y ediciones generativas con un 5.9 %, eliminación de texto y marcas de agua con un 4.1 %, operaciones por lotes o multiimagen con un 2.2 %. La larga cola de ediciones que no encajan en estas categorías representa la fracción restante.

Tendencias de uso de plataformas

Por primera vez en nuestro historial de seguimiento, las sesiones de edición móvil han superado a las sesiones web en volumen total. La edición móvil ahora representa el 63 % de todas las sesiones de edición, frente al 54 % a mediados de 2025. iOS lidera el uso móvil con un 38 % de todas las sesiones, mientras que Android tiene un 25 %. La edición basada en web ha disminuido ligeramente del 41 % al 37 %, pero sigue siendo fundamental para flujos de trabajo de expertos y por lotes donde una pantalla más grande y los atajos de teclado brindan ganancias significativas de eficiencia.

El cambio hacia lo móvil no es uniforme en todos los tipos de edición. La eliminación de fondos y la eliminación de objetos se inclinan fuertemente hacia lo móvil (71 % y 66 % móvil, respectivamente), lo que refleja casos de uso como la limpieza rápida de fotos de productos y la preparación para redes sociales. Las ediciones de mejora están más equilibradas (55 % móvil, 45 % web), y las operaciones por lotes siguen siendo abrumadoramente basadas en web (82 % web). Esto sugiere que los usuarios eligen su plataforma según la complejidad de la tarea y la cantidad de imágenes involucradas, no simplemente según la preferencia de dispositivo.

Geográficamente, el dominio móvil es más fuerte en India (78 % móvil), Brasil (74 % móvil) y el Sudeste Asiático (76 % móvil), mientras que el uso web sigue siendo comparativamente fuerte en Estados Unidos (42 % web), Alemania (45 % web) y Japón (43 % web). Estas diferencias se correlacionan con patrones más amplios de acceso a internet: los mercados donde lo móvil es prioritario muestran un comportamiento de edición igualmente prioritario en móvil.

Adopción de AI en la edición de fotos

La tendencia más sorprendente en el conjunto de datos es la aceleración de la edición impulsada por AI. En enero de 2025, el 41 % de las ediciones en nuestra plataforma utilizaban al menos una función impulsada por AI (eliminación de objetos, eliminación de fondos, expansión de AI, relleno generativo o mejora impulsada por AI). En abril de 2026, esa cifra ha alcanzado el 74 %. El crecimiento ha sido notablemente constante, aproximadamente 2 puntos porcentuales por mes.

Los flujos de trabajo exclusivamente de AI, sesiones donde cada paso de edición está impulsado por AI sin ajustes manuales, representan el 39 % de todas las sesiones, frente al 18 % a principios de 2025. Los flujos de trabajo híbridos, donde los usuarios combinan herramientas de AI con ajustes manuales (recorte, rotación, correcciones manuales con pincel), representan el 35 %. La edición completamente manual ha disminuido del 23 % al 12 % de las sesiones. El 14 % restante corresponde a sesiones donde los usuarios abren el editor pero no completan una edición.

Es importante destacar que las puntuaciones de satisfacción del usuario son más altas para los flujos de trabajo híbridos (4.4 sobre 5), ligeramente por encima de los flujos de trabajo exclusivamente de AI (4.3 sobre 5) y notablemente por encima de los flujos de trabajo solo manuales (3.7 sobre 5). Esto sugiere que la combinación de automatización de AI con juicio humano ofrece actualmente los mejores resultados percibidos. Los usuarios que toman una edición generada por AI y luego la ajustan manualmente reportan la mayor confianza en su resultado.

Desglose por industria

No todas las ediciones de fotos son personales. Una parte importante y creciente de la actividad de edición en nuestra plataforma está impulsada por casos de uso profesionales y comerciales. Inferimos las categorías industriales a partir de una combinación de tipos de cuenta auto-reportados (para cuentas comerciales), patrones de edición y señales de contenido de imagen. La categorización es aproximada y existe cierta superposición, principalmente entre redes sociales y otras categorías.

La fotografía de productos de comercio electrónico es el segmento industrial más grande, con un 31 % de todas las ediciones. Esto incluye vendedores en Amazon, Shopify, Etsy, eBay y otros marketplaces que necesitan imágenes de productos limpias con fondos blancos o transparentes. El usuario típico de comercio electrónico realiza eliminación de fondos y ediciones de mejora, y procesa un promedio de 4.7 imágenes por sesión, muy por encima del promedio general de la plataforma de 1.9.

La fotografía de bienes raíces representa el 16 % de las ediciones. Los agentes y administradores de propiedades utilizan la eliminación de objetos para limpiar tomas interiores y exteriores, la expansión de AI para mostrar vistas más amplias de las habitaciones y la mejora para mejorar la iluminación en espacios oscuros. La creación de contenido para redes sociales representa el 14 % de las ediciones, con los tiempos de sesión más rápidos y la mayor proporción de uso móvil entre las categorías profesionales. El uso personal (edición no comercial de fotos personales) representa el 22 % de todas las ediciones. El 17 % restante se distribuye entre agencias de marketing (7 %), educación (4 %), periodismo y medios (3 %) y otras categorías profesionales (3 %).

Mejoras de calidad y métricas de satisfacción

Medir la calidad de las ediciones de fotos a escala es inherentemente difícil porque la calidad es subjetiva y depende del contexto. Utilizamos tres métricas proxy: calificaciones de satisfacción reportadas por los usuarios (recopiladas a través de encuestas opcionales posteriores a la edición), tasas de re-edición (el porcentaje de ediciones donde los usuarios deshacen o rehacen el resultado de AI) y tasas de exportación (el porcentaje de sesiones que terminan con el usuario guardando o compartiendo la imagen editada).

En todos los tipos de edición, la calificación promedio de satisfacción es de 4.2 sobre 5, frente a 3.8 en el Q1 2025. La mejora está impulsada principalmente por un mejor rendimiento del modelo de AI, más que por cambios en las expectativas de los usuarios. La eliminación de fondos muestra la satisfacción más alta con 4.5 sobre 5, lo que refleja la madurez de los modelos de segmentación que ahora manejan cabello, pelaje, objetos transparentes y bordes complejos con alta fiabilidad. La satisfacción con la eliminación de objetos promedia 4.3 sobre 5, con puntuaciones que varían según la complejidad del objeto: los objetos simples (señales, cables, escombros pequeños) obtienen 4.6, mientras que los objetos complejos (personas en escenas concurridas, elementos parcialmente ocluidos) obtienen 3.9.

Las tasas de re-edición han disminuido del 28 % a principios de 2025 al 17 % en el Q1 2026. Una tasa de re-edición más baja indica que los usuarios están satisfechos con el primer resultado generado por AI con más frecuencia. Las tasas de exportación han aumentado correspondientemente del 71 % al 83 %, lo que significa que más sesiones de edición concluyen ahora con una salida guardada en lugar de abandono. La combinación de menos re-ediciones y más exportaciones sugiere una mejora genuina en la calidad del resultado, no solo habituación del usuario.

Benchmarks de velocidad

La velocidad de procesamiento afecta directamente la experiencia del usuario y el rendimiento del flujo de trabajo. Medimos el tiempo de procesamiento mediano (desde el momento en que el usuario activa una edición hasta el momento en que se muestra el resultado) en todos los tipos de edición y plataformas. Todos los tiempos reflejan el procesamiento del lado del servidor más la latencia de ida y vuelta de la red para ediciones procesadas en la nube.

La eliminación de objetos impulsada por AI ahora se completa en una mediana de 1.8 segundos, frente a los 4.7 segundos del Q1 2025, una mejora del 62 %. La eliminación de fondos es la operación de AI más rápida con una mediana de 1.2 segundos, beneficiándose de modelos de segmentación altamente optimizados que se han refinado a lo largo de varias generaciones. Las ediciones de mejora se completan en una mediana de 0.8 segundos, ya que muchas operaciones de mejora pueden realizarse con modelos ligeros o algoritmos tradicionales acelerados por GPU.

Las operaciones de expansión de AI y relleno creativo son las más lentas, con una mediana de 3.4 segundos y 4.1 segundos respectivamente, lo que refleja el costo computacional de generar nuevo contenido de imagen desde cero. Estos tiempos aún están muy por debajo del umbral que los usuarios perciben como receptivo (la investigación siempre muestra que los usuarios perciben las operaciones de menos de 5 segundos como rápidas y las operaciones de más de 10 segundos como lentas para flujos de trabajo creativos).

Las diferencias entre plataformas son significativas. Las ediciones basadas en web son aproximadamente un 15 % más rápidas en promedio que las ediciones móviles para la misma operación, principalmente debido a conexiones de alta velocidad más consistentes. Las ediciones en iOS son aproximadamente un 8 % más rápidas que las ediciones en Android en promedio, lo que refleja una combinación de diferencias en la infraestructura de red entre los usuarios de iOS y perfiles de rendimiento de dispositivos ligeramente más consistentes entre los dispositivos iOS.

Perspectiva futura: tendencias para 2027

Basándonos en la trayectoria visible en nuestros datos y en los desarrollos más amplios de la industria, identificamos cinco tendencias que probablemente moldearán la edición de fotos en 2027.

Primero, el procesamiento de AI en el dispositivo se expandirá significativamente. Apple, Google y Qualcomm están invirtiendo en unidades de procesamiento neuronal (NPU) capaces de ejecutar modelos basados en difusión localmente. Nuestros datos muestran que el 6 % de las ediciones de AI en dispositivos compatibles ya se procesan en el dispositivo para operaciones simples. Proyectamos que esto alcanzará el 15-20 % para finales de 2027, impulsado por las preferencias de privacidad y la eliminación de la latencia de red para ediciones comunes.

Segundo, la edición de video convergerá con la edición de fotos. Nuestra hoja de ruta interna y los anuncios públicos de Adobe, Canva y otros apuntan hacia herramientas de AI que manejen fotogramas de video con la misma facilidad que las imágenes fijas. La eliminación de objetos en video, el reemplazo de fondos en video y la mejora de video impulsada por AI están todos en desarrollo activo en toda la industria. La expectativa del usuario establecida por la edición instantánea de fotos se trasladará al video.

Tercero, la edición con AI se volverá invisible. A medida que el procesamiento de AI se convierta en el valor predeterminado (ya al 74 % en nuestros datos), la distinción entre edición con AI y edición se desvanecerá. Los usuarios esperarán un comportamiento inteligente de cada herramienta sin pensar si AI está involucrada. Esto tiene implicaciones para el diseño de productos: la etiqueta «AI» pasará de ser una insignia de funcionalidad a una suposición de fondo.

Cuarto, la automatización de lotes y flujos de trabajo crecerá. Nuestros datos muestran que las operaciones por lotes representan solo el 2.2 % de las sesiones, pero estas sesiones procesan desproporcionadamente más imágenes. A medida que los casos de uso de comercio electrónico y marketing crezcan, esperamos una mayor demanda de pipelines automatizados que procesen cientos o miles de imágenes con un conjunto consistente de reglas. La edición basada en API crecerá junto con el uso de herramientas manuales.

Quinto, las expectativas de calidad seguirán aumentando. Cada mejora en la calidad del modelo de AI restablece las expectativas de los usuarios al alza. La puntuación promedio de satisfacción de 4.2 en 2026 refleja una calidad absoluta más alta que la puntuación de 3.8 en 2025. Los usuarios no son simplemente más difíciles de complacer, sino que están comparando con una línea de base mejor. Mantener la satisfacción requiere una mejora constante del modelo, no solo mantener los niveles de calidad actuales.

Metodología

Este informe se basa en datos de telemetría anonimizados y agregados de los sistemas de producción de Magic Eraser. El conjunto de datos abarca 10,247,381 sesiones de edición completadas entre el 1 de enero de 2026 y el 30 de abril de 2026. Una sesión completada se define como aquella en la que el usuario invocó al menos una herramienta de edición, independientemente de si exportó el resultado.

Todos los datos fueron anonimizados antes del análisis. No se visualizaron ni almacenaron imágenes individuales para este informe. No se incluyó información de identificación personal (nombres, direcciones de correo electrónico, direcciones IP) en el conjunto de datos de análisis. La información del dispositivo y la plataforma se agregó al nivel de la familia de modelos y del sistema operativo. Los datos geográficos se agregaron al nivel de país mediante la asignación GeoIP aplicada durante el registro de la sesión, y los datos GeoIP se descartaron antes del análisis.

La categorización industrial se derivó de tres señales: tipo de cuenta auto-reportado para cuentas comerciales (disponible para aproximadamente el 23 % de las sesiones), agrupación de patrones de edición mediante k-means en vectores de características de uso de herramientas, duración de la sesión, cantidad de imágenes y formato de exportación, y revisión manual de una muestra aleatoria estratificada de 5,000 registros de metadatos de sesiones anonimizados para validación. Las etiquetas industriales deben tratarse como estimaciones aproximadas, no como mediciones precisas.

Las calificaciones de satisfacción se recopilan a través de una encuesta opcional de un toque posterior a la edición presentada a una muestra aleatoria del 15 % de las sesiones. La tasa de respuesta entre aquellos a quienes se les presentó la encuesta es del 34 %, lo que arroja aproximadamente 520,000 puntos de datos de satisfacción. Aplicamos ponderación por probabilidad inversa para ajustar el sesgo de respuesta (los usuarios que completan ediciones de alta calidad tienen más probabilidades de responder). Las tasas de re-edición y las tasas de exportación se miden a partir de la telemetría de todas las sesiones y no dependen de encuestas.

Los benchmarks de velocidad representan los tiempos de procesamiento mediano y percentil 95 medidos del lado del servidor desde la recepción de la solicitud hasta el envío de la respuesta, más la latencia estimada de ida y vuelta del lado del cliente basada en datos de rendimiento de red regionales. Los tiempos reales percibidos por el usuario pueden variar según la velocidad de renderizado del dispositivo y las condiciones locales de la red.

Esta es la primera edición de este informe. Planeamos publicar actualizaciones semestralmente. Los comentarios sobre la metodología y la cobertura pueden dirigirse a research@magiceraser.io.