Qué es un deepfake y cómo comprobar un vídeo sospechoso

Un deepfake es contenido sintético o manipulado mediante técnicas de inteligencia artificial que puede representar de forma convincente a una persona, su imagen o su voz. Puede tener usos creativos y legítimos, pero también utilizarse para atribuir a alguien palabras o acciones que no realizó.

Contenido sintético y mensaje falso no son lo mismo

Un vídeo generado y etiquetado como ficción no pretende necesariamente engañar. A la inversa, una grabación auténtica puede utilizarse con una fecha, un lugar o una descripción falsos. Comprobar cómo se creó una imagen y comprobar lo que afirma una publicación son tareas relacionadas, pero diferentes.

El informe de NIST sobre contenido sintético reúne métodos para examinar su origen, etiquetado, marcas y detección. No presenta una única prueba que permita decidir con certeza cualquier caso a partir de un vistazo.

Empieza por la fuente, no por los ojos del protagonista

Los defectos visibles pueden despertar sospechas, pero una imagen borrosa también puede deberse a compresión, iluminación o edición convencional. Además, que no veamos un defecto no demuestra autenticidad.

Antes de analizar detalles minúsculos, conviene hacer comprobaciones que aporten contexto:

• Busca la publicación original y comprueba si existe un vídeo más largo.
• Revisa quién lo publicó, cuándo y con qué explicación.
• Busca registros independientes del mismo acontecimiento.
• Comprueba si el audio y el texto atribuido aparecen en una fuente directa.

Estas preguntas no sustituyen un análisis forense, pero pueden revelar que un clip real se ha sacado de contexto o que la atribución no tiene una fuente verificable.

Qué aportan las marcas y la procedencia

NIST estudia enfoques de procedencia digital, etiquetas y marcas de agua junto con los detectores. Una información de origen válida puede ayudar a reconstruir el historial de un archivo, pero su ausencia no demuestra automáticamente que el contenido sea falso.

También importa qué afirma exactamente un registro: identificar una herramienta o una edición no confirma por sí solo todos los hechos narrados en la escena. Hay que relacionar la información técnica con la pregunta que estamos intentando responder.

Por qué no basta el porcentaje de un detector

Los proyectos de evaluación forense de NIST tienen en cuenta condiciones como compresión y procesamiento posterior. Un detector puede funcionar de forma distinta según el contenido y las transformaciones que haya recibido.

Un porcentaje aislado no equivale a una sentencia sobre una persona. Si el resultado es importante, interesa saber qué herramienta se utilizó, con qué límites y si existen otras evidencias. Un clip que circula por redes puede haber perdido información del archivo original.

Qué hacer cuando faltan datos

Es razonable describir una grabación como no verificada cuando no podemos confirmar su origen o contexto. Esa formulación evita convertir una sospecha en una acusación. La foto de este artículo muestra edición de vídeo y no pretende ilustrar un deepfake específico.

Qué cambia cuando la IA sintetiza una imagen o una voz

Un sistema generativo aprende regularidades a partir de datos y las utiliza para producir contenido. En una manipulación audiovisual puede participar en la apariencia de un rostro, en movimientos o en una voz sintética. No hay una única técnica detrás de todos los deepfakes.

Conviene separar sustitución, síntesis y edición del contexto. Un vídeo puede conservar gran parte de una grabación real y modificar solo un elemento. Otro puede generar una escena sin una grabación original equivalente. También puede mantenerse intacto el archivo y cambiar su descripción. En los tres casos, la publicación podría transmitir una afirmación falsa, pero el análisis necesario no sería idéntico.

Un clip contiene varias capas de información

En un vídeo hay imagen, sonido, secuencia temporal y un texto que suele presentarlo. Comprobar una capa no valida automáticamente las demás. Encontrar el origen de las imágenes no confirma que el audio sea el original; reconocer una voz tampoco demuestra dónde se grabó. Antes de buscar un veredicto único, hay que definir qué parte de la publicación está en duda.

Como ejemplo hipotético, imagina una grabación auténtica de una conferencia con un audio sustituido. La sala y el rostro podrían corresponder al acontecimiento real, mientras las palabras no. Un detector que solo examine imágenes respondería a una pregunta parcial. La comprobación debe seguir la afirmación concreta: si se atribuye una frase, interesa confirmar esa frase en un registro directo, además de estudiar el archivo.

La procedencia se vincula al archivo, no a un adorno visible

C2PA desarrolla especificaciones para asociar información de procedencia con contenido digital mediante credenciales verificables. Esas declaraciones pueden registrar acciones o aspectos de su origen. La verificación permite estudiar la relación entre el registro y el archivo. Una captura que muestra un icono de credenciales no equivale por sí sola a comprobar criptográficamente esa información.

La documentación de C2PA aclara que la procedencia puede ser incompleta y que sus datos pueden retirarse. También distingue origen e historial de verdad factual. Un archivo con información válida podría representar una escena preparada o aparecer en una publicación con una explicación equivocada. Las credenciales aportan evidencia de un tipo concreto; hay que leer qué declaran y quién firma, sin convertirlas en un certificado universal de veracidad.

Las recomendaciones de experiencia de usuario de C2PA buscan que los indicadores permitan acceder a información comprensible sobre procedencia. El lector debe poder pasar del símbolo a las declaraciones que contiene. Si solo vemos una imagen del indicador pegada sobre un vídeo, falta esa interacción verificable. La apariencia de una etiqueta no sustituye su funcionamiento ni la revisión del contenido que afirma respaldar.

Cómo se evalúa un detector antes de confiar en él

El plan de evaluación de NIST de 2025 para discriminadores de imágenes compara sistemas que intentan distinguir contenido generado por IA y contenido producido por personas. La existencia de una evaluación separada recuerda que generar y detectar son tareas diferentes. Que un modelo produzca resultados convincentes no revela automáticamente qué otro sistema podrá identificarlos ni con qué errores.

Una prueba necesita ejemplos variados y datos que no se hayan usado para ajustar el detector. También debe estudiar errores en ambos sentidos: contenido sintético que pasa por auténtico y contenido auténtico que se etiqueta como sintético. Reducir un tipo de error puede afectar al otro al cambiar el umbral. Por eso una cifra de acierto necesita contexto sobre los datos y el criterio de decisión.

Un resultado llamativo puede incluir falsas alarmas

Pensemos en un ejemplo puramente ilustrativo con cien archivos: diez sintéticos y noventa auténticos. Si una herramienta detecta ocho de los sintéticos pero marca por error nueve auténticos, produce diecisiete alertas, de las que solo ocho corresponden al grupo sintético. Los números no describen ningún producto. Muestran que una buena capacidad para encontrar ciertos casos no elimina el problema de las falsas alarmas.

La proporción de contenido sintético entre los archivos analizados afecta a la interpretación de las alertas. Un detector debe evaluarse para el tipo de material y las condiciones del uso previsto. El porcentaje mostrado en una interfaz tampoco debe interpretarse automáticamente como la probabilidad de que una persona haya mentido. Una puntuación técnica se relaciona con un modelo, sus datos y su forma de decidir.

El archivo original conserva más posibilidades de análisis

Los proyectos forenses de NIST estudian manipulación y evaluación de medios digitales. Compartir un contenido mediante capturas o recodificaciones puede cambiar resolución, compresión y metadatos. Esos cambios pueden eliminar pistas o introducir artefactos. Cuando se investiga una publicación, acceder a la versión más cercana al origen ayuda a separar una manipulación del procesamiento que recibió después.

Una comprobación sólida reúne procedencia, contexto y análisis adecuado al contenido. Si las evidencias no permiten concluir, la descripción «no verificado» conserva esa incertidumbre sin acusar a una persona. El objetivo es responder qué se ha comprobado y qué sigue pendiente. Entender los deepfakes exige precisamente evitar que una apariencia convincente, un icono o una puntuación reemplacen el conjunto de pruebas.

Para entender otro límite de la IA, lee por qué puede generar respuestas incorrectas con apariencia convincente.

Actualizado el 12 de octubre de 2026.