Cómo saber si una imagen o un video fue generado por IA: señales, herramientas y límites

¿Cómo saber si una imagen ha sido generada por IA?

La respuesta sincera es que a menudo no se puede saber solo con mirarla. En un cuestionario en línea organizado por el AI for Good Lab de Microsoft, los participantes emitieron unos 287,000 juicios e identificaron correctamente las imágenes reales y las generadas por IA solo el 62% de las veces ^[1]. Un estudio representativo con 3,002 personas de Estados Unidos, Alemania y China, presentado en el IEEE Symposium on Security and Privacy en 2024, concluyó que las falsificaciones más avanzadas eran casi indistinguibles de los medios reales y que la mayoría de los participantes simplemente adivinaba ^[2].

Eso no hace inútil la comprobación. Significa que el enfoque fiable es por capas: buscar errores visuales, comprobar señales legibles por máquina, como marcas de agua o Content Credentials, y rastrear la imagen hasta su primera aparición. El Instituto Nacional de Estándares y Tecnología de Estados Unidos (NIST) describe la misma idea a mayor escala: afirma que no existe una solución mágica y que el seguimiento de la procedencia, el etiquetado y la detección tienen cada uno sus límites ^[4].

Una lista de verificación rápida

1. Haga una pausa antes de compartir. Las imágenes de última hora merecen especial cuidado; en junio de 2025, un clip de una explosión en la prisión de Evin, en Teherán, que según expertos consultados por CBS News pudo haberse creado con IA, apareció en internet a los pocos minutos de un ataque israelí real contra la prisión ^[12].
2. Observe con atención las manos, los textos, las sombras, los reflejos y los objetos que deberían funcionar de forma física ^[3].
3. Busque credenciales o marcas de agua con una herramienta que pueda leerlas, como el estándar Content Credentials o el verificador de SynthID de Google en Gemini ^[5][7].
4. Busque la fuente. La propia página de ayuda de Google recomienda la inspección visual y la búsqueda inversa de imágenes junto con su herramienta de marcas de agua ^[5].
5. Trate cada resultado como un indicio, no como una prueba, porque cualquier método puede pasar por alto o interpretar mal un contenido ^[4].

¿Qué señales visuales delatan las imágenes de IA?

Investigadores de la Universidad Northwestern elaboraron una guía a partir de 138 imágenes generadas con modelos de difusión, 9 imágenes seleccionadas de redes sociales y 42 fotografías reales ^[3]. Agruparon los problemas reveladores en cinco categorías ^[3]:

• Anatómicas: manos, ojos, dientes y cuerpos inverosímiles, incluidos cuerpos que se funden entre sí ^[3].
• Estilísticas: imágenes que parecen demasiado perfectas, con piel brillante o cerosa, aspecto de revista o de fotograma de película, o zonas de la imagen con un nivel de detalle o un color distintos ^[3].
• Funcionales: objetos que no podrían funcionar, diseños atípicos y textos o logotipos incomprensibles, porque los generadores carecen de una comprensión estructural de cómo funcionan las cosas ^[3].
• Violaciones de la física: sombras y reflejos incoherentes y problemas de profundidad y perspectiva ^[3].
• Socioculturales: escenarios improbables, inapropiados, contrarios a las normas de una cultura o históricamente inexactos ^[3].

Los autores subrayan que los artefactos perceptibles por las personas no siempre están presentes, aunque aparecen con frecuencia, y que las rarezas anatómicas, como una mano de aspecto extraño, no significan necesariamente que una imagen haya sido generada por IA ^[3]. Además, los generadores mejoran con rapidez: los investigadores de Microsoft señalan que sus resultados probablemente sobrestiman la capacidad de las personas para detectar las imágenes de IA actuales ^[1].

¿Qué falsificaciones son las más difíciles de detectar?

En el experimento de Microsoft, dos tipos de imágenes engañaron a las personas la mayoría de las veces: los rostros humanos creados con GAN (un tipo de generador de imágenes más antiguo) y el inpainting, en el que parte de una foto real se sustituye por contenido generado ^[1]. El NIST señala lo mismo: una imagen editada parcialmente es en su mayor parte real, lo que complica cualquier método de detección ^[4]. Por tanto, una foto real con un solo detalle alterado es más difícil de descubrir que una escena totalmente sintética.

¿Y el video?

El video es aún más difícil. Hany Farid, profesor de la Universidad de California en Berkeley, dijo a CBS News en junio de 2025 que las falsificaciones habían pasado de las imágenes fijas a videos completos con explosiones que parecen grabados con un teléfono en mano ^[12]. En un clip de una explosión en la entrada de la prisión de Evin, en Teherán, que según los expertos pudo haber sido generado por IA, señalaron un letrero incorrecto sobre la puerta e incoherencias en la propia explosión ^[12]. Conviene revisar los letreros y otros textos, la iluminación y si la misma escena aparece en grabaciones de otras cámaras.

¿Demuestran las marcas de agua de IA y las Content Credentials de dónde procede una imagen?

Las señales legibles por máquina son más sólidas que la vista, pero solo cuando están presentes y la herramienta adecuada puede leerlas. Hay dos tipos principales.

Marcas de agua invisibles

Una marca de agua es una señal oculta en los píxeles o en el audio. SynthID, de Google, incorpora señales imperceptibles en el contenido generado por IA, y Google afirma que más de 20 mil millones de contenidos habían sido marcados con ella en noviembre de 2025 ^[6]. Desde el 20 de noviembre de 2025, es posible subir una imagen a la aplicación Gemini y preguntar si se creó con la IA de Google ^[6]. La página de ayuda de Google añade comprobaciones de video y audio, con límites de 100 MB por archivo, videos de menos de 90 segundos y aproximadamente 10 comprobaciones de cada tipo cada 24 horas ^[5].

Los límites importan. Actualmente, Gemini solo puede reconocer contenido creado con herramientas de IA de Google, y Google advierte que no encontrar una marca de agua SynthID no significa que el contenido no haya sido generado por IA ^[5]. Google afirma que las marcas de agua suelen resistir los cambios de tamaño, de color y la compresión, pero que pueden no detectarse tras muchas modificaciones ^[5].

Content Credentials

Las Content Credentials, el estándar elaborado por la Coalition for Content Provenance and Authenticity (C2PA), son una forma criptográficamente segura de registrar cómo, cuándo y dónde se creó un contenido y cómo ha cambiado ^[7]. Si se alteran el archivo o sus datos de procedencia, el vínculo criptográfico se rompe, lo que indica una manipulación ^[7]. Gemini puede leer Content Credentials de la versión 2.2 en adelante procedentes de productos de la lista de productos conformes de C2PA, en la web y en su aplicación para Android ^[5].

Sin embargo, las credenciales registran una afirmación sobre el origen, no la veracidad de una escena. Google señala que un resultado que menciona a una empresa solo muestra quién proporcionó la información, y que las credenciales no demuestran de forma definitiva si un contenido ha sido generado por IA ^[5]. C2PA afirma que las credenciales pueden separarse de un archivo y admite «vínculos suaves» (soft bindings), como marcas de agua o huellas digitales, para volver a encontrarlas ^[7].

¿Por qué desaparecen tan a menudo las etiquetas y los metadatos?

Los metadatos viajan dentro del archivo, por lo que cualquier cosa que vuelva a guardar el archivo puede eliminarlos. El NIST señala que los metadatos incrustados suelen eliminarse cuando se comparten archivos, por ejemplo a través de las redes sociales, y que las personas pueden borrarlos tanto para engañar como por motivos legítimos, como la privacidad ^[4].

The Washington Post lo puso a prueba en octubre de 2025. Creó con Sora, de OpenAI, un video que incluía Content Credentials, lo publicó en ocho aplicaciones sociales y comprobó que ninguna conservaba las credenciales ni permitía a los usuarios verlas ^[8]. Solo YouTube añadió una advertencia, y ese aviso, con el texto «Altered or synthetic content» (contenido alterado o sintético), aparecía en la descripción del video ^[8].

Las marcas de agua visibles son todavía más fáciles de burlar. 404 Media informó que tres sitios web que probó eliminaron en cuestión de segundos la marca de agua visible de Sora 2 de los videos ^[9]. El NIST también describe investigaciones que muestran que muchas marcas de agua invisibles en imágenes pueden eliminarse, por ejemplo añadiendo ruido y luego eliminándolo de la imagen ^[4].

¿Qué dicen las plataformas?

Meta anunció en 2024 que leería los indicadores de IA de los estándares de metadatos C2PA e IPTC para etiquetar imágenes en Facebook, Instagram y Threads ^[10]. El mismo anuncio reconocía que todavía no es posible identificar todo el contenido generado por IA y que las personas pueden eliminar los marcadores invisibles ^[10]. En su lugar, Meta exige a los usuarios que declaren los videos fotorrealistas y los audios de sonido realista creados con IA cuando los publican ^[10].

¿Son fiables las herramientas detectoras de imágenes de IA?

Los detectores automáticos son clasificadores que estiman la probabilidad de que un archivo sea sintético. Pueden superar a las personas: el propio detector del equipo de Microsoft superó el 95% de precisión tanto con imágenes reales como con imágenes de IA en su estudio ^[1]. Esa cifra corresponde a una herramienta de investigación con un conjunto de datos concreto, no a cualquier sitio web gratuito que usted pueda encontrar.

Ventajas

• Los investigadores de Microsoft describen las herramientas de detección como significativamente más fiables que las personas, aunque señalan que siguen cometiendo errores ^[1].
• Su precisión en ese estudio fue constante en todas las categorías de imágenes, a diferencia de la precisión humana, que variaba según el tema ^[1].

Límites

• El NIST afirma que los detectores suelen rendir mejor con el contenido de los generadores con los que fueron entrenados, mientras que no dejan de aparecer modelos nuevos ^[4].
• En cuanto aparece un nuevo método de detección, los generadores mejoran y los adversarios aprenden a eludirlo, según el NIST ^[4].
• Los falsos positivos, es decir, etiquetar como IA contenido real, pueden ser extremadamente perjudiciales y causar daños a la reputación o un trato desfavorable ^[4].
• Las imágenes editadas parcialmente son difíciles de clasificar, y decidir si una edición es «sustancial» puede ser subjetivo ^[4].

Por tanto, la puntuación de un detector es solo un elemento más. Resulta más útil cuando coincide con otros indicios, como la ausencia de fuentes originales o errores visibles.

¿Qué método conviene usar y cuándo?

Cada método responde a una pregunta distinta. La inspección visual pregunta si el contenido parece físicamente verosímil ^[3]. La comprobación de marcas de agua pregunta si la IA de una empresa concreta dejó su señal ^[5]. Las Content Credentials preguntan qué dice el historial firmado del archivo ^[7]. La búsqueda inversa de imágenes pregunta dónde y cuándo apareció la imagen por primera vez, algo que Google recomienda junto con su propia herramienta ^[5]. La tabla siguiente los compara.

Para una decisión de mucha trascendencia, como informar sobre un acontecimiento noticioso o acusar a alguien de falsificar pruebas, utilice varios métodos y busque que coincidan. El NIST señala que las organizaciones pueden combinar varias técnicas de detección y afirma que no existe una solución mágica ^[4].

¿Qué normas exigen etiquetar las imágenes de IA?

En la Unión Europea, las obligaciones de transparencia del artículo 50 de la Ley de IA se aplican desde el 2 de agosto de 2026 ^[11]. Según estas normas, los proveedores de sistemas de IA deben marcar los resultados de audio, imagen, video y texto de forma legible por máquina para que puedan detectarse como generados artificialmente, y los responsables del despliegue deben etiquetar las ultrafalsificaciones; el código de buenas prácticas de la Comisión Europea establece cómo hacerlo ^[11]. El código define las ultrafalsificaciones como contenido de imagen, audio o video que se asemeja a personas, objetos, lugares, entidades o acontecimientos reales y que podría parecer auténtico falsamente ^[11].

La adhesión al código es voluntaria, aunque las obligaciones del artículo 50 son legales ^[11]. El calendario de la Comisión indica la publicación del código definitivo el 10 de junio de 2026, y unas 190 organizaciones lo habían firmado a finales de julio de 2026 ^[11]. La UE también ha creado un conjunto de iconos que los responsables del despliegue pueden usar para etiquetar el contenido generado por IA ^[11]. Fuera de la UE se aplican políticas de las plataformas, como las normas de declaración de Meta ^[10], pero la normativa difiere según el país y cambia con frecuencia, así que consulte la versión vigente a 3 de noviembre de 2026.

¿Qué viene a continuación en la detección de falsificaciones?

La tendencia es incorporar etiquetas a los archivos en el momento de su creación, en lugar de depender de que las personas detecten errores. Google anunció planes para ampliar la verificación de Gemini a las Content Credentials de productos ajenos a su propio ecosistema ^[6], y su página de ayuda ya describe esas comprobaciones ^[5], mientras que las normas de marcado de la UE se aplican a los proveedores ^[11]. Al mismo tiempo, el NIST describe ataques que eliminan o falsifican («spoofing») las marcas de agua ^[4], y la prueba de The Washington Post mostró que las plataformas suelen descartar las señales que sí existen ^[8].

Lo que sigue siendo incierto

• Qué tan bien lo harán las personas el año que viene. Los autores de Microsoft prevén que la precisión humana disminuya a medida que mejoren los generadores ^[1].
• Si las plataformas conservarán las credenciales. La participación en Content Credentials es voluntaria, y en la prueba del Post ninguna plataforma conservó los datos ^[8].
• La cobertura de las marcas de agua de otras empresas. A 3 de noviembre de 2026, el verificador de Gemini todavía no puede leer las marcas de agua de otras empresas ^[5].

Por ahora, las comprobaciones que no requieren herramientas especiales siguen siendo importantes: Google recomienda la búsqueda inversa de imágenes para encontrar la fuente original ^[5], y Hany Farid aconsejó a los lectores de CBS News no depender de las redes sociales para las noticias de última hora ^[12].