Primera regla: una sola señal rara vez demuestra «esto es IA»[1][2]
La pregunta parece binaria, pero el archivo a menudo no lo es. Una imagen puede ser completamente sintética, parcialmente generada, modificada localmente mediante inpainting, retocada con herramientas generativas o simplemente recomprimida por una app de mensajería. Cada caso deja rastros distintos.
NIST trata la detección de contenido sintético como una familia de técnicas junto a la procedencia, el watermarking y los metadatos. La precisión depende de la compresión, calidad, estilo, contenido y de cuánto se parezca el generador analizado a los modelos vistos durante el entrenamiento.
Por eso un análisis serio no pide veredicto a una sola herramienta. Reúne señales independientes y comprueba si forman una historia técnica coherente.
La puntuación de un detector es una señal. Varias señales independientes convierten ese número en evidencia útil.
1. Empieza por el archivo original, no por una captura de pantalla
Siempre que sea posible, analiza el archivo obtenido directamente del autor, cámara o sistema de origen. Una captura cambia dimensiones y compresión y suele eliminar gran parte de los metadatos. Muchas plataformas hacen algo parecido al crear su propia copia.
El original permite examinar formato, perfil de color, EXIF/XMP, estructura JPEG o PNG, características de codificación y posibles datos de procedencia.
En un caso disputado conviene registrar también SHA-256. El hash no demuestra autenticidad, pero sí que el archivo examinado más tarde es exactamente el que se preservó como evidencia.
2. Comprueba procedencia y Content Credentials (C2PA)[1][3]
C2PA define información criptográficamente vinculada sobre el origen y el historial de un contenido digital. Las Content Credentials pueden indicar cómo se creó el archivo, qué acciones sufrió y si intervino una fuente generativa.
La ausencia de C2PA no demuestra ni autenticidad ni falsificación. Es un estándar voluntario y algunas plataformas transforman o eliminan metadatos.
Si existe un manifest, valida correctamente y declara trained algorithmic media o un generador concreto, estamos ante una señal de procedencia especialmente fuerte para ese archivo.
3. Los metadatos ayudan, pero es fácil sobrevalorarlos[1]
EXIF puede contener cámara, exposición, focal, fecha y software. Un identificador de generador, un campo de software extraño o una incoherencia entre la cámara declarada y la estructura real del archivo pueden ser relevantes.
Pero los metadatos se pueden eliminar, reescribir o copiar. Un EXIF vacío tras pasar por mensajería o redes sociales es habitual y por sí solo no prueba IA.
4. Forense de píxeles y compresión: buscar incoherencias[1]
Se pueden analizar distribución de ruido, diferencias locales de compresión, cuadrícula JPEG 8×8, entropía, texturas repetidas y Error Level Analysis. Estas técnicas pueden destacar regiones que se comportan de forma distinta al resto del archivo.
Una anomalía también puede venir de retoque legítimo, guardados repetidos o un montaje tradicional. Al contrario, una imagen completamente generada puede ser internamente muy uniforme.
El análisis local gana valor al combinarse con procedencia, metadatos y detectores, especialmente si la anomalía coincide con la zona relevante para el caso, por ejemplo un supuesto daño de producto.
5. Detectores de IA: usa varios y observa el acuerdo[1][2]
Los servicios usan datos de entrenamiento, arquitecturas y calibraciones diferentes, por lo que la misma imagen puede recibir puntuaciones distintas. NIST evalúa image discriminators de forma específica porque los nuevos generadores y escenarios cross-generator siguen siendo difíciles.
El acuerdo entre varias capas independientes suele ser más informativo que un valor extremo aislado. Si cuatro métodos indican riesgo bajo y uno devuelve 92/100, hay que investigar la discrepancia, no declarar automáticamente falsa la imagen.
6. La inspección visual sigue sirviendo, pero como triaje[4]
El FBI menciona manos, ojos, dientes, joyas, sombras, movimiento o sincronización extraños como posibles señales. Siguen siendo útiles para un filtro rápido.
Su ausencia, sin embargo, no demuestra autenticidad. Los generadores han mejorado y fotos reales procesadas con HDR, denoise o compresión agresiva pueden parecer artificiales.
Flujo práctico para verificar una imagen
Cuando de la respuesta depende un reembolso, decisión empresarial o disputa, un procedimiento repetible es más seguro que la intuición.
- Conserva el archivo más original posible y no lo vuelvas a guardar antes del análisis.
- Registra SHA-256, formato, dimensiones y tamaño.
- Revisa C2PA/Content Credentials, EXIF, XMP y trazas de software.
- Examina estructura y anomalías locales de píxeles o compresión.
- Usa más de un detector independiente de IA/deepfake.
- Cruza los resultados con fuente, fecha, otras imágenes y contexto del caso.
- Formula la conclusión como nivel de riesgo y conjunto de hallazgos, no como afirmación infalible sobre la intención del autor.
La buena forense no intenta demostrar IA a cualquier precio. Separa señales fuertes de aquello que el archivo simplemente no puede establecer.
¿Qué significan 20/100, 60/100 o 90/100?
Una puntuación solo es útil si sabemos de qué está compuesta. 20/100 respaldado por seis capas coherentes es distinto de 20/100 de un único clasificador. Una puntuación alta basada en procedencia directa también tiene un peso probatorio diferente a un detector aislado.
Un buen informe muestra el score agregado, resultados por fuente, disponibilidad de capas, metadatos, limitaciones y hallazgos principales. Puede apoyar una decisión, pero no establece por sí solo autoría, intención o responsabilidad legal.