La foto sigue siendo evidencia — pero no debería ser la única[2]
En e-commerce las imágenes documentan estado, daño, embalaje o variante y permiten resolver muchos casos sin inspección física.
El coste de manipulación ha caído. Herramientas generativas pueden añadir localmente una grieta, mancha, pieza ausente o incluso crear toda la escena sin conocimientos profesionales de retoque.
El FBI documenta imágenes generadas para perfiles, documentos de identidad y otros materiales de fraude. Eso no demuestra fraude masivo en reclamaciones, pero sí justifica dejar de tratar un JPEG aislado como verdad neutral por defecto.
Qué puede falsificarse en una foto de reclamación[3][4]
Una edición local puede añadir arañazo, grieta, mancha, rotura o deformación. Manipulación más avanzada puede cambiar una pieza, etiqueta, número de serie o fondo; también puede generarse una foto completa.
Para el proceso importa menos si se usó IA generativa, Photoshop o montaje tradicional. La pregunta es si la imagen representa de forma fiable el estado del producto en el momento declarado.
Por eso un detector solo de “AI-generated” no basta: hacen falta señales de manipulación local, procedencia, metadatos y contexto.
NIST aplica un principio parecido en la verificación remota de identidad[1]
NIST SP 800-63A trata digital injection y forged media. La IA generativa puede crear o modificar fotos, vídeos y documentos para engañar validación automática, biometría o revisión humana.
NIST recomienda analizar los medios en busca de manipulación, probar sistemas con material real y falsificado y complementar decisiones automáticas con revisión humana por los falsos positivos y negativos.
En reclamaciones el principio es el mismo: el detector señala riesgo y cambia la ruta de tramitación, no declara culpable al cliente.
Un riesgo alto de manipulación debe activar verificación adicional, no una acusación automática.
La cadena de evidencia empieza antes del análisis de IA
Si soporte guarda solo una captura reducida, pueden perderse metadatos, estructura de codificación y procedencia. Siempre que sea posible conserva upload original, nombre, hora, tamaño y SHA-256.
Varias fotos deben tratarse como conjunto y cruzarse con SKU, variante, imágenes de almacén, peso del paquete, datos de packing, número de serie e historial. El análisis técnico añade información a ese contexto, no lo sustituye.
Seis capas son más útiles que un único AI score[3][4]
Un sistema práctico combina procedencia/C2PA, EXIF/XMP y estructura, forense local de píxeles y compresión, varios detectores independientes, coherencia entre imágenes y contexto empresarial.
La ausencia de una fuente no debe convertir las demás en cero. Pero las capas no disponibles deben mostrarse: un informe basado en cuatro fuentes no debería fingir que usó seis.
Construye una regla de decisión, no un único umbral
La política “AI > 50% = rechazo” es débil: el score no es la probabilidad de que el cliente sea culpable.
- Riesgo bajo: sin señales fuertes y contexto coherente — proceso normal.
- Incierto: anomalías aisladas o desacuerdo entre detectores — pedir original, fotos extra o devolución física.
- Riesgo alto: varias capas independientes o procedencia directa indican manipulación — detener automatismo y revisar manualmente.
- Disputa formal: conservar archivos, hashes, informe e historial completo; no atribuir intención que la técnica no demuestra.
Por qué las fotos adicionales son tan útiles
Una imagen puede manipularse de forma convincente. Varias perspectivas exigen coherencia de geometría, iluminación, textura y daño entre vistas, aumentando mucho la información disponible para comparar.
Pide tomas concretas: producto completo, detalle del problema, etiqueta o serial y otra perspectiva o iluminación.
El límite técnico y jurídico[1][3]
Un informe técnico puede mostrar señales fuertes de origen sintético, manipulación local o procedencia directa. No establece por sí solo quién hizo el cambio, cuándo o con qué intención.
“El archivo contiene anomalías técnicas y necesita verificación adicional” es muy distinto de acusar al cliente de falsificarlo. Un buen sistema antifraude reduce tanto reclamaciones falsas como rechazos injustos de clientes legítimos.
Un estándar mínimo razonable para 2026[1][3][4][5]
No todo comercio necesita un laboratorio forense. Conservar originales, pedir evidencia extra en casos ambiguos, usar varias señales técnicas y documentar el razonamiento ya mejora mucho la decisión.
Con la expansión de Content Credentials más archivos llevarán un historial verificable, mientras los generadores seguirán mejorando. El proceso debe ser multicapa y no depender de un detector concreto.