La guía completa para detectar imágenes generadas por IA en 2026

La generación de imágenes con IA ha llegado a un punto en 2026 en el que los mejores resultados son genuinamente indistinguibles de fotografías reales para el observador casual. Midjourney v7, DALL-E 4, Stable Diffusion XL y Adobe Firefly pueden producir imágenes fotorrealistas de prácticamente cualquier escena, persona real o evento, de forma rápida, económica y a escala. Esta guía consolida todo lo que se sabe actualmente sobre la detección de imágenes generadas por IA: qué buscar visualmente, cómo usar el análisis de metadatos, cómo funcionan las herramientas de detección automatizadas y dónde todos estos métodos alcanzan sus límites.

Por qué importa la detección

Las imágenes generadas por IA se usan en una amplia variedad de contextos (proyectos creativos, marketing, ilustración) donde su origen sintético es inofensivo o irrelevante. Pero también se usan para fabricar evidencia de eventos que no ocurrieron, para crear contenido íntimo no consensuado usando la imagen de personas reales, para suplantar a individuos reales y para impulsar campañas de desinformación. La detección sirve para diferentes propósitos según el contexto: verificar imágenes de noticias, proteger a las personas del uso no consensuado de su imagen, mantener la integridad en concursos creativos y filtrar contenido en las plataformas. Las técnicas son las mismas; lo que está en juego varía.

Inspección visual: qué buscar

La inspección visual es el punto de partida, pero es menos confiable de lo que era hace dos años. Las siguientes señales siguen siendo relevantes, pero deben tratarse como indicios para una investigación más profunda, no como prueba definitiva.

Manos y dedos. Los modelos de imágenes con IA han mejorado sustancialmente en las manos, pero siguen siendo un punto débil. Busca: un número incorrecto de dedos; dedos organizados o fusionados de forma antinatural; dedos que se funden con las palmas; longitud de dedos inconsistente; y manos que se ven correctas a primera vista pero incorrectas al examinarlas de cerca. El problema es anatómico: las manos son complejas, variables y aparecen en muchas configuraciones, lo que hace que sean estadísticamente difíciles de aprender a la perfección para los modelos.

Texto en las imágenes. Los modelos de IA generan texto carácter por carácter como patrones visuales, no como lenguaje con significado. El texto de fondo en las imágenes de IA a menudo no tiene sentido, usa caracteres inventados o es una versión revuelta de palabras reales. Los letreros, etiquetas, libros, pantallas y cualquier elemento que contenga texto deben examinarse de cerca. Esta es una de las señales más confiables en imágenes que incluyen elementos textuales.

Fondos y detalles periféricos. Los modelos de IA enfocan los recursos computacionales en el sujeto principal y a menudo producen fondos menos coherentes. Busca: figuras de fondo con anatomía distorsionada; elementos arquitectónicos que no obedecen correctamente la perspectiva; objetos que existen solo parcialmente; y patrones (papel tapiz, azulejos, tela) que se repiten incorrectamente o se rompen en los bordes.

Iluminación y sombras. La iluminación consistente es difícil de generar correctamente. Busca: sombras que no corresponden a la dirección aparente de la fuente de luz; múltiples sombras de un solo objeto que sugieren múltiples fuentes de luz inconsistentes; reflejos en los ojos, ventanas o superficies brillantes que no coinciden con la escena; y destellos en los ojos que son inconsistentes entre ambos ojos.

Textura de la piel. Las imágenes de IA de la generación actual a menudo producen una piel sutilmente artificial. Busca: una textura de piel antinaturalmente uniforme que carece de las variaciones específicas de la piel real (poros, líneas finas, variación sutil de color); una apariencia demasiado suave o cerosa; y cabello demasiado perfecto o que se fusiona incorrectamente con el cuero cabelludo y el fondo.

Simetría. Los rostros reales tienen asimetrías sutiles: un ojo ligeramente más alto que el otro, la nariz ligeramente inclinada, la línea del cabello que varía. Los rostros generados por IA tienden hacia una belleza más perfecta y simétrica que, al examinarla de cerca, se siente ligeramente inhumana. Esta es una señal sutil y depende del modelo generador.

Análisis de metadatos

Las fotografías digitales auténticas llevan metadatos: datos incrustados en el archivo de la imagen que describen cómo se capturó. Los metadatos EXIF incluyen: marca y modelo de la cámara; información del lente; ajustes de disparo (ISO, apertura, velocidad de obturación); coordenadas GPS; y marca de tiempo. Las imágenes generadas por IA suelen no tener datos EXIF en absoluto, o tener metadatos que no coinciden con el contexto reclamado.

Para examinar los metadatos, puedes usar: herramientas gratuitas en línea como Jeffrey's Exif Viewer (exifdata.com) o ExifTool (exiftool.org); la opción "Obtener información" en la Vista Previa de macOS; o software de edición de imágenes como Photoshop o GIMP, que muestran los metadatos en el panel de información del archivo. Verifica: ¿hay datos EXIF? ¿El modelo de cámara coincide con lo que esperarías para este tipo de imagen? ¿La marca de tiempo es coherente con cuándo se supone que se tomó la imagen? ¿Hay coordenadas GPS presentes y coinciden con la ubicación reclamada?

Advertencias importantes: los datos EXIF pueden eliminarse (todas las principales plataformas sociales eliminan los datos EXIF cuando se suben imágenes, por lo que una captura de pantalla o una imagen republicada no tendrá datos EXIF incluso si el original era genuino). Los datos EXIF también pueden fabricarse y añadirse a imágenes generadas por IA. La ausencia de EXIF no es prueba de generación por IA; la presencia de EXIF inconsistente es evidencia de manipulación.

Búsqueda inversa de imágenes

Antes de cualquier otra verificación, pasa una imagen sospechosa por Google Images (images.google.com), TinEye (tineye.com) y Yandex Images. Esto te dice: si la imagen ya había aparecido antes de la fecha reclamada de los eventos que representa (lo que indica reutilización o fabricación); si aparece en contextos incoherentes con el contexto reclamado; y si es una imagen de stock conocida, una fotografía archivada o una imagen confirmada como generada por IA.

La búsqueda inversa de imágenes es particularmente poderosa para detectar imágenes antiguas que se usan con un contexto falso: una fotografía real de otra época y lugar presentada como si documentara un evento actual. Esto es más común que las imágenes completamente sintéticas en muchos contextos de desinformación.

Credenciales de contenido C2PA

La Coalición para la Procedencia y Autenticidad del Contenido (C2PA) ha desarrollado un estándar técnico, las "Credenciales de Contenido", que registra criptográficamente el origen y el historial de edición de los medios digitales. Cuando un generador de IA compatible con C2PA crea una imagen, incrusta en el archivo un registro a prueba de manipulaciones de la generación. Cuando una cámara compatible con C2PA captura una fotografía, incrusta un registro de la captura. Las ediciones posteriores también se registran.

En 2026, el soporte de C2PA está disponible en: Adobe Photoshop y Lightroom (para la procedencia de edición); varios generadores de IA importantes, incluidos DALL-E y Adobe Firefly; las cámaras Leica (el primer fabricante importante de cámaras en implementar C2PA en la cámara); y un número creciente de modelos de teléfonos inteligentes mediante actualizaciones de firmware. Puedes verificar las Credenciales de Contenido usando la herramienta gratuita en contentcredentials.org. Si una imagen afirma ser una fotografía de un evento real y lleva credenciales C2PA que indican que fue generada por un modelo de IA, eso es evidencia definitiva de fabricación. La ausencia de credenciales C2PA no prueba que una imagen sea generada por IA, ya que la mayoría de las cámaras y las herramientas de IA más antiguas aún no las incrustan.

Herramientas automatizadas de detección de IA

Las herramientas de detección automatizadas analizan las imágenes usando visión por computadora y modelos de aprendizaje automático entrenados para identificar firmas de generación por IA. Estas herramientas examinan: características del dominio de frecuencia (las imágenes generadas por IA tienen patrones característicos en sus transformadas de Fourier que difieren de las imágenes captadas por cámara); artefactos de síntesis de textura (los generadores de IA producen patrones de ruido característicos); y huellas dactilares de generación específicas del modelo (patrones específicos de determinados modelos generadores, aunque estos cambian entre versiones del modelo).

El proceso de detección de imágenes de SUS IT examina estas características y proporciona una puntuación de probabilidad junto con un desglose detallado de las señales específicas que informaron el veredicto. La herramienta es particularmente efectiva para imágenes limpias y sin comprimir; la precisión disminuye algo para imágenes muy comprimidas, recortadas o procesadas posteriormente, ya que estas operaciones pueden ocultar los artefactos de generación.

Otras herramientas disponibles incluyen SynthID de Google (disponible en las plataformas que lo admiten), la API de detección de IA de Hive Moderation (usada por muchas plataformas) y herramientas de código abierto como Grover y varios transformadores de visión ajustados. Cada una tiene diferentes datos de entrenamiento y diferentes fortalezas; cuando una decisión de alto riesgo depende del resultado, usar varias herramientas ofrece más confianza que un solo resultado.

Los límites de la detección

Ningún método de detección actual es perfecto, y comprender las limitaciones es esencial para usar las herramientas de detección de forma adecuada. La compresión vence a muchos detectores: la compresión JPEG intensa, que aplican la mayoría de las plataformas sociales cuando se suben imágenes y los procesos de captura de pantalla, destruye muchos de los artefactos del dominio de frecuencia que buscan los detectores. Una imagen de IA que se ha subido a Instagram y capturado en pantalla es mucho más difícil de detectar que el archivo original. Posprocesamiento adversario: existen técnicas para modificar específicamente las imágenes generadas por IA con el fin de vencer la detección mientras se preserva la calidad visual. Estas se usan en operaciones de desinformación sofisticadas. Actualizaciones de modelos: los modelos de detección entrenados con una versión de un modelo generador pueden no generalizar bien a versiones más nuevas con características de generación diferentes. El campo requiere un reentrenamiento constante. Falsos positivos: ciertos tipos de fotografías reales muy procesadas (aquellas con un procesamiento HDR significativo, filtros pictóricos o un retoque extenso) pueden puntuar como generadas por IA. Los resultados de detección siempre deben contextualizarse con otra evidencia.

Un flujo de trabajo práctico de verificación

Para cualquier imagen en la que la respuesta importe, aplica estos pasos en orden: 1) Haz una pausa y anota tu reacción inicial: una alta carga emocional es una razón para más escrutinio, no menos. 2) Búsqueda inversa de imágenes en varios motores. 3) Examina los metadatos con un visor EXIF. 4) Verifica las Credenciales de Contenido C2PA. 5) Inspección visual de manos, texto, fondos e iluminación. 6) Pásala por una herramienta de detección automatizada. 7) Considera la fuente: ¿de dónde se originó esta imagen y quién hace la afirmación que documenta? Aplica cada paso antes de compartir, especialmente en contextos de alto riesgo. Para el consumo casual en redes sociales, empezar con una búsqueda inversa de imágenes y una verificación de metadatos cubre los tipos de manipulación más comunes con un esfuerzo mínimo.