Hive, C2PA e Intel: cómo funcionan los servicios de verificación de deepfakes y dónde fallan

Los servicios para el reconocimiento de deepfakes se están convirtiendo rápidamente en un mercado separado, pero ninguno de ellos ofrece aún una garantía inquebrantable. Una prueba de cuatro soluciones populares mostró: los mejores resultados provienen no de promesas universales, sino de herramientas con especialización clara y origen confirmado del archivo.

Cómo se realizó la prueba

Para verificar, reunimos un conjunto de 100 archivos en tres categorías. Incluía fotografías ordinarias y vídeos de cámaras, vídeos e imágenes sintéticas modernas, así como contenido híbrido — por ejemplo, fotogramas después de retoque de redes neuronales, upscaling y otras ediciones. También se probaron falsificaciones de audio por separado para entender cómo se comportan los sistemas no solo en imágenes, sino también en voz.

Este conjunto permitió comparar servicios no en demostraciones estériles, sino en casos típicos que encuentran redacciones de noticias y usuarios ordinarios. Un detalle importante de la metodología — los archivos se enviaron de la forma en que circulan realmente en internet. Esto significa: sin algunos datos EXIF, después de la compresión por redes sociales y mensajeros, a veces en forma reenviada.

En la práctica, es exactamente aquí donde muchos servicios comienzan a cometer errores. En condiciones de laboratorio, un detector puede verse convincente, pero después de Telegram, WhatsApp o Instagram su confianza disminuye notablemente. Por eso los resultados de la prueba se acercan más al uso en el mundo real que a las presentaciones de marketing.

Quién mostró resultados

La comparación mostró rápidamente que no hay un ganador universal. Cada herramienta funciona bien en un escenario y se desempeña notablemente mal en otro, así que el resultado depende no de la amplitud de la marca, sino de lo que exactamente estés verificando: fotos, vídeo de conversación, audio o archivo con cadena de origen preservada. Por eso, compararlos por un único porcentaje general de precisión es simplemente sin sentido. Para una clase de tareas, un líder se convierte fácilmente en un outsider en la siguiente.

• Hive reconoce con seguridad muchas imágenes generadas, pero puede confundir artefatos de fuerte compresión en vídeos antiguos con rastros de IA.
• RealityGuard de Sensity maneja mejor que otros el vídeo, donde importan la cara, las expresiones faciales y la sincronización de labios con voz, pero pierde notablemente precisión en paisajes e imágenes sin personas.
• Content Credentials basado en el estándar C2PA no tanto busca falsificaciones como confirma el origen del archivo si la cámara y el software preservaron la cadena de firmas.
• Intel FakeCatcher muestra los mejores resultados en vídeo de primer plano de calidad, analizando señales fisiológicas del rostro, pero es casi inútil en imágenes estáticas y vídeos de baja resolución.

Frente a esto, el estándar C2PA destaca especialmente. Si un archivo fue originalmente grabado en un dispositivo compatible y no perdió firmas durante la edición o transmisión, este es el argumento más fuerte a favor de la autenticidad. El problema es que en la vida real, tales archivos siguen siendo una minoría: las cámaras antiguas, mensajeros y el simple reenvío rompen fácilmente esta cadena. Para organizaciones de noticias y fotógrafos, esto ya se convierte en un estándar de trabajo, no en un experimento.

Dónde fallan los detectores

La primera razón es la carrera entre generadores y detectores. Tan pronto como los sistemas de verificación aprenden a buscar un conjunto de artefatos, los nuevos modelos eliminan precisamente estos puntos débiles. Anteriormente, las falsificaciones se revelaban por dedos extraños, ojos antinaturales o sincronización entrecortada de labios. Ahora estos marcadores son menos comunes, y los detectores tienen que confiar en signos más sutiles que se destruyen fácilmente por compresión. Esencialmente, los sistemas de verificación casi siempre están alcanzando, no adelantándose a los generadores.

El segundo problema es el propio entorno de distribución de contenido. Las fotos y vídeos casi nunca llegan al usuario en su forma original. Las redes sociales reducen la calidad, los mensajeros recomprimen archivos y las plataformas eliminan algunos metadatos. Por eso, incluso herramientas poderosas comienzan a confundir contenido real con sintético o, inversamente, dejan pasar un deepfake de calidad. Las verificaciones funcionan especialmente mal donde no hay primer plano facial, audio limpio o archivo original en absoluto.

El tercer problema es la persona al otro lado de la pantalla. Incluso si un servicio muestra la probabilidad de falsificación, muchos perciben el resultado como un veredicto final. Pero una puntuación de 60 o 70 por ciento no es una pericia judicial, sino solo una señal de que el contenido necesita ser verificado más a fondo. El error inverso causa no menos daño, cuando un usuario ignora completamente una advertencia porque la interfaz es confusa o el servicio ya cometió un error una vez antes.

«En 2026, el detector más confiable sigue siendo una combinación de

tecnologías, investigación independiente y sentido común.»

Qué significa esto

Para redacciones, verificadores de hechos y usuarios ordinarios, la conclusión es simple: aún no hay un único botón para exponer deepfakes. El esquema de funcionamiento hoy es combinar verificación automática, observar metadatos y origen del archivo, considerar la calidad de la fuente y, si es posible, habilitar Content Credentials en tus propios dispositivos. Cuanto más importante sea la decisión, más peligroso es confiar en el veredicto de un solo servicio. Especialmente si se trata de dinero, reputación o publicación de material controvertido.