En 2019, crear un deepfake convincente requería decenas de horas de video de entrenamiento, hardware especializado y conocimientos técnicos avanzados. En 2024, una app de móvil hace lo mismo en minutos. Esa compresión del coste y la barrera de entrada ha convertido los deepfakes de una curiosidad de laboratorio en una herramienta activa de fraude de identidad.
Las plataformas que verifican identidades de forma remota están en el punto de mira. Si un atacante puede superar la verificación facial con un deepfake, accede al sistema con una identidad que no le pertenece. Lo que está en juego no es solo la cuenta del usuario legítimo: es la integridad del proceso de verificación que protege toda la plataforma.
Cómo se usan los deepfakes en el fraude de identidad
El caso más directo es el ataque a la verificación facial. El atacante tiene el documento de identidad de otra persona, ya sea robado, comprado en mercados oscuros, o falsificado con la imagen de la víctima. Necesita superar el control de vida (liveness detection) que confirma que hay una persona real detrás de la cámara. Con un deepfake en tiempo real, puede reemplazar su cara con la de la víctima durante la verificación.
Los ataques de presentación son más básicos pero siguen funcionando en sistemas poco robustos: imprimir la foto del objetivo en papel o mostrarla en una pantalla delante de la cámara. Los sistemas de liveness detection de primera generación solo detectaban si había una cara en movimiento, no si era una cara real. Los de segunda generación aplican controles más sofisticados que estos ataques simples no superan.
Los ataques de inyección digital son más técnicamente sofisticados: en lugar de mostrar un deepfake a la cámara física del dispositivo, inyectan la señal de video directamente en el flujo de datos entre la cámara y la aplicación de verificación. Los sistemas que no validan la integridad del flujo de video son vulnerables a este tipo de ataque incluso si su detección de liveness funcionaría correctamente con una cámara real.
La Detección de deepfakes moderna opera en múltiples niveles para contrarrestar estos vectores: análisis de las características biométricas de la cara en busca de artefactos generados por IA, validación de la integridad del flujo de video para detectar inyecciones, y análisis del comportamiento del usuario durante la sesión de verificación.
Tecnologías actuales de detección
Los detectores de artefactos de IA buscan inconsistencias que los modelos generativos introducen: errores en la textura de la piel en los bordes del rostro, parpadeo no natural, inconsistencias en el comportamiento de la luz en las zonas periorbitales, y patrones de movimiento facial que no coinciden con la física de un rostro humano real. Cada generación de detectores entrena contra los modelos generativos más recientes.
La detección de señales de presentación analiza si lo que ve la cámara tiene las características de una cara real en un entorno real: profundidad de campo coherente, reflejo en los ojos, reacción a cambios de iluminación. Una pantalla que muestra un video no replica estas características con la fidelidad suficiente para engañar a sistemas bien entrenados.
La biometría 3D usa sensores que van más allá de la imagen 2D para construir un modelo tridimensional del rostro. Un deepfake en video plano no puede replicar la geometría 3D de una cara real. Este enfoque es más robusto pero también más exigente en términos de hardware en el dispositivo del usuario.
La carrera armamentista entre generadores y detectores
El problema fundamental es que los detectores de deepfakes y los generadores de deepfakes se entrenan mutuamente. Cada mejora en los detectores impulsa mejoras en los generadores para evadir esos controles, y viceversa. No existe un detector que sea permanentemente efectivo contra todos los modelos generativos futuros.
Esto tiene implicaciones prácticas para las empresas: los sistemas de detección de deepfakes deben actualizarse con regularidad. Un sistema que era efectivo hace doce meses puede no serlo hoy contra los modelos generativos más recientes. La revisión periódica de la tasa de detección con intentos de ataque actuales es parte del mantenimiento de cualquier sistema de verificación serio.
Señales de que un sistema de verificación tiene brechas
La falta de validación del flujo de video es una brecha importante. Si el sistema no verifica que la señal de video proviene de la cámara física del dispositivo y no de una inyección externa, los ataques de inyección digital son viables.
La detección de liveness basada únicamente en el movimiento de la cabeza o el parpadeo fue suficiente en 2020. En 2026-2027, los modelos generativos replican esos movimientos con suficiente fidelidad como para que los sistemas de primera generación los acepten. Las pruebas de desafío impredecibles, como instrucciones aleatorias durante la sesión de verificación, añaden un nivel de complejidad que los deepfakes pregrabados no pueden superar.
Lecturas recomendadas
MIT Media Lab: Detección de medios sintéticos (media.mit.edu)
Partnership on AI: Directrices para medios sintéticos (partnershiponai.org)
La detección de deepfakes en verificación de identidad no tiene solución permanente, y eso es algo que las empresas tienen que asumir operativamente. Es un campo donde las capacidades de ataque y defensa evolucionan en ciclos cortos, y donde quedarse con la misma solución durante años es equivalente a no tener ninguna. Las plataformas que se toman en serio la integridad de su proceso de verificación tratan la actualización de sus capacidades de detección como parte del mantenimiento operativo, no como un proyecto puntual. La dimensión regulatoria de este problema también está cambiando. Los supervisores financieros de la Unión Europea, el Reino Unido y varios mercados latinoamericanos han empezado a incluir preguntas específicas sobre la capacidad de detección de deepfakes en sus marcos de evaluación de programas KYC. Una empresa que no puede demostrar que su sistema de verificación facial tiene controles activos contra ataques de deepfake está en una posición cada vez más difícil ante los supervisores, independientemente de cuántos años lleve usando la misma solución sin incidentes conocidos. Sin incidentes conocidos no es lo mismo que sin incidentes.
