Ampliar ilustración
No siempre es posible determinar si una imagen se ha generado con IA. Un detalle extraño o el resultado de un detector no resuelven por sí solos la cuestión. Conviene conservar el archivo, comprobar su procedencia y distinguir entre generación completa, edición parcial y cambios introducidos al compartirlo.
Antes de buscar un detector: concreta la duda
- Imagen generada
- Se cuestiona si la escena procede de una captura o de una generación sintética.
- Fotografía modificada
- Se sospecha que se ha añadido, eliminado o sustituido una parte de una imagen previa.
- Contexto falso
- La fotografía puede ser real, pero presentarse como prueba de otro lugar, fecha o acontecimiento.
Son hipótesis distintas y requieren comprobaciones diferentes. La palabra «deepfake» se utiliza para situaciones diversas; describe qué elemento se discute en tu caso en lugar de dar por demostrada su naturaleza.
Un recorrido de comprobación
| Paso | Qué conservar o revisar | Qué permite plantear |
|---|---|---|
| 1. Procedencia | Archivo recibido, publicación de origen y versiones disponibles | Quién lo aporta y qué historia se atribuye a la imagen |
| 2. Archivo | Formato, dimensiones y metadatos conservados | Si hay información del proceso de captura o edición |
| 3. Contenido | Relaciones entre elementos, perspectiva, luz y texturas | Qué inconsistencias merecen contraste |
| 4. Referencias | Otras vistas, imágenes anteriores o material relacionado | Si existen explicaciones o versiones alternativas |
| 5. Conclusión | Hallazgos, explicaciones compatibles y limitaciones | Qué se puede sostener y qué queda sin resolver |
No hace falta ejecutar todas las técnicas sobre todas las imágenes. La calidad de una captura, la compresión o la falta del original pueden limitar el estudio desde el principio. Consulta qué archivos conservar para un peritaje.
Cómo interpretar un detector de imágenes IA
Un porcentaje mostrado por una herramienta necesita una explicación: qué mide, con qué datos se validó, qué errores comete y si esas condiciones se parecen a las de la imagen examinada. No debe trasladarse automáticamente como «probabilidad de que esta prueba sea falsa».
Antes de utilizarlo como apoyo, habría que valorar su comportamiento ante imágenes reales y generadas, así como recortes, cambios de tamaño y compresión. Una herramienta puede equivocarse o resultar inadecuada para el material aportado. El plan de evaluación de detectores de imágenes del NIST ilustra la importancia de medir su rendimiento bajo condiciones definidas.
Tampoco la ausencia de anomalías visibles demuestra una captura real. El examen requiere ponderar lo observado, no escoger únicamente los indicadores que apoyen la sospecha inicial.
Qué aporta la investigación de Hany Farid
En dos estudios exploratorios de 2022, Farid analizó la coherencia de la perspectiva y de la iluminación en imágenes de DALL·E 2. Son ejemplos de cómo formular comprobaciones físicas y geométricas, con supuestos explícitos. Sus resultados se refieren al sistema y al material estudiados: no permiten atribuir la misma capacidad de detección a cualquier generador actual.
En su revisión de 2025, distingue el análisis de huellas del contenido de las técnicas basadas en aprendizaje y de la información de procedencia. También explica un límite decisivo: no encontrar indicios de manipulación no equivale a demostrar autenticidad. Por eso una lista de defectos visuales nunca sustituye al estudio del archivo y de las hipótesis del caso.
Qué aportan las credenciales de contenido
Cuando existen y pueden validarse, las Content Credentials basadas en C2PA aportan información firmada sobre la procedencia y ciertas operaciones. Hay que comprobar qué afirman, a qué archivo se vinculan y qué parte de la historia está disponible. No equivalen a una verificación de que el hecho representado ocurrió.
La ausencia de credenciales tampoco demuestra generación con IA: muchas imágenes carecen de ellas, y pueden separarse del archivo. Consulta la explicación de C2PA y su documentación de procedencia.
Ejemplo: una sospecha no es todavía una conclusión
Ejemplo didáctico, no un caso real: una imagen compartida presenta una mano poco definida y un detector la marca como sintética. Antes de concluir, hace falta comprobar si existe una versión de mayor resolución, qué transformaciones sufrió y si el indicador tiene validez para ese tipo de archivo. El material puede seguir siendo insuficiente al terminar esas comprobaciones.
Si la imagen afecta a una reclamación
Conserva las versiones sin sobrescribirlas y precisa qué necesitas esclarecer. El peritaje de fotos manipuladas y autenticidad comienza por valorar la viabilidad y el alcance; no ofrece una detección infalible.
El informe pericial debe distinguir observaciones, inferencias y límites. Describe tu consulta sin adjuntar material sensible: acordaremos después cómo entregarlo.
Referencias científicas
- Farid, H. (2022). Perspective (In)consistency of Paint by Text. Prepublicación; estudio exploratorio de DALL·E 2.
- Farid, H. (2022). Lighting (In)consistency of Paint by Text. Prepublicación; estudio exploratorio de DALL·E 2.
- Farid, H. (2025). Mitigating the harms of manipulated media: Confronting deepfakes and digital deception. PNAS Nexus, 4(7), pgaf194.