Manuel Angel Nicolas Cuevas
Inteligencia artificial, falsificación y autenticidad de la evidencia digital, cuando ver ya no basta como prueba
Durante mucho tiempo, la fotografía disfrutó de una singular autoridad como representación de la realidad. Una imagen podía estar desenfocada, incompleta o incluso manipulada, pero permanecía en nosotros una intuición difícil de desterrar: en algún momento había existido algo delante de una cámara. La aparición del vídeo reforzó todavía más esa sensación. Ya no contemplábamos únicamente un instante detenido, sino una sucesión de acciones, movimientos y palabras que parecían permitirnos regresar al acontecimiento.
La inteligencia artificial generativa está alterando profundamente esa relación entre imagen y realidad.
Hoy es posible representar el rostro de una persona que nunca estuvo en determinado lugar, reproducir una voz pronunciando palabras que su titular jamás dijo o generar una secuencia audiovisual de un acontecimiento que sencillamente nunca ocurrió. La falsificación ya no necesita limitarse a modificar una realidad previamente registrada. Puede fabricar la apariencia de esa realidad.
Mientras esos contenidos permanecen en el terreno del entretenimiento, la creación artística o incluso la desinformación, el fenómeno plantea importantes problemas sociales y tecnológicos. Pero cuando una fotografía, un audio o un vídeo entran en una investigación policial o pretenden incorporarse a un procedimiento judicial, el problema adquiere una naturaleza diferente. En ese momento entra directamente en el terreno de la Ciencia Forense.
La pregunta deja entonces de ser únicamente qué muestra una imagen. Antes debemos preguntarnos qué razones tenemos para considerar que aquello que vemos corresponde realmente a un acontecimiento sucedido.
Este cambio plantea un desafío extraordinario. Será necesario detectar contenidos generados o manipulados mediante inteligencia artificial, pero también evitar que la simple existencia de los deepfakes permita desacreditar evidencias auténticas. La amenaza funciona, por tanto, en dos direcciones: podemos llegar a creer que ocurrió aquello que nunca sucedió y podemos dejar de creer en aquello que realmente ocurrió.
La Ciencia Forense tendrá que enfrentarse a ambas posibilidades.
De la imagen como testimonio a la realidad sintética
La falsificación audiovisual no nació con la inteligencia artificial
La manipulación de imágenes es muy anterior a los actuales sistemas generativos. Desde prácticamente los primeros tiempos de la fotografía han existido procedimientos para eliminar personas u objetos, combinar negativos, modificar fondos o construir escenas diferentes de las originalmente captadas. Posteriormente, la edición digital multiplicó las posibilidades de intervención y permitió alterar fotografías, sonidos y vídeos con una precisión cada vez mayor.
Por ello, sería incorrecto afirmar que la inteligencia artificial ha creado la falsificación audiovisual. Lo que ha cambiado es su naturaleza, escala, accesibilidad y capacidad para generar contenido inexistente.
La manipulación tradicional partía normalmente de una evidencia previa. Se eliminaba un elemento, se incorporaba otro, se modificaba una voz o se editaba una secuencia. Los sistemas generativos contemporáneos pueden ir mucho más lejos: ya no necesitan necesariamente modificar una escena real, sino que pueden construir una representación verosímil de algo que jamás estuvo delante de una cámara.
Este salto resulta fundamental desde el punto de vista forense.
Una fotografía manipulada plantea la necesidad de determinar qué modificaciones se realizaron sobre una imagen originalmente capturada. Una imagen completamente sintética plantea una pregunta anterior: si alguna vez existió la escena que aparentemente documenta.
La revisión INTERPOL publicada en 2026 sobre detección de imágenes y vídeos generados mediante inteligencia artificial refleja precisamente esta evolución. Los autores analizaron más de cuatrocientos trabajos publicados entre 2022 y 2025 y diferenciaron expresamente la manipulación de contenidos existentes de la generación sintética mediante arquitecturas como las redes generativas antagónicas, los modelos de difusión y otros sistemas generativos. DOI
Estamos, por tanto, ante algo más complejo que una versión sofisticada del antiguo retoque fotográfico.
Estamos ante la posibilidad de crear evidencia aparente sin acontecimiento previo.
Qué entendemos hoy por deepfake
El término deepfake procede de la combinación de deep learning —aprendizaje profundo— y fake —falso—. En sus primeras etapas se relacionó principalmente con la sustitución de rostros mediante técnicas de aprendizaje automático. Sin embargo, el concepto ha terminado abarcando un fenómeno mucho más amplio.
Un contenido sintético puede reproducir el rostro de una persona, modificar sus expresiones, sincronizar artificialmente sus labios con un discurso que nunca pronunció, clonar su voz o generar completamente una escena audiovisual. La evolución de los modelos generativos permite además producir resultados cada vez más convincentes a partir de instrucciones relativamente sencillas.
La cuestión forense no depende, por tanto, de una única tecnología.
Los procedimientos de generación evolucionan. Los modelos que ayer producían determinados defectos pueden dejar de producirlos mañana. Las características que permitían reconocer una falsificación pueden desaparecer y ser sustituidas por otras mucho más difíciles de identificar.
Este proceso explica por qué la detección de deepfakes no puede reducirse a elaborar un catálogo permanente de defectos visuales.
Durante algún tiempo se popularizó la idea de que bastaba con observar cuidadosamente determinados elementos: movimientos extraños de los ojos, dificultades para reproducir correctamente dientes o manos, problemas de iluminación o una sincronización deficiente entre labios y voz. Algunos de esos indicios han sido útiles en determinados sistemas y generaciones tecnológicas, pero convertirlos en reglas universales sería un error.
El generador aprende. La tecnología mejora. Y aquello que hoy delata una imagen artificial puede no hacerlo dentro de unos meses.
La propia revisión INTERPOL de 2026 identifica como uno de los grandes problemas actuales la capacidad de los detectores para responder ante generadores que no habían visto anteriormente y ante alteraciones posteriores del contenido. DOI
Parecer auténtico no equivale a ser auténtico
Aquí aparece una distinción esencial para la Ciencia Forense.
Imaginemos un vídeo en el que aparece una persona conocida. Reconocemos su rostro. La voz parece suya. Los movimientos resultan naturales y los labios acompañan aparentemente a las palabras. Nuestra percepción nos conduce casi espontáneamente hacia una conclusión: esa persona dijo aquello.
Pero la percepción de autenticidad y la autenticidad son cuestiones diferentes.
Un deepfake no necesita reproducir perfectamente todos los elementos de una persona o una escena. Necesita alcanzar un grado de verosimilitud suficiente para cumplir su propósito. En muchos casos, bastará con convencer al observador.
Tampoco podemos cometer el error inverso. Encontrar una anomalía no demuestra automáticamente que estemos ante un deepfake. Una alteración visual puede proceder de una compresión intensa, de una recodificación, de una conexión deficiente, de un proceso de edición legítimo o de otras transformaciones del archivo.
Y existe todavía una tercera posibilidad especialmente importante: que un detector no encuentre nada.
La ausencia de detección no demuestra por sí misma autenticidad.
Si una herramienta no identifica indicios de generación artificial, lo único que podemos afirmar inicialmente es que esa herramienta, utilizando determinado procedimiento y en determinadas condiciones, no los ha identificado. Convertir esa ausencia de detección en una certificación de autenticidad supondría atribuir al instrumento una capacidad superior a la que realmente posee.
Cuando el deepfake se convierte en prueba
De internet a los tribunales
Durante algunos años, el debate pudo parecer anticipatorio. Se preguntaba qué sucedería cuando alguien intentara presentar ante un tribunal un vídeo generado mediante inteligencia artificial haciéndolo pasar por verdadero.
Ya no necesitamos formular la pregunta en futuro.
El National Center for State Courts estadounidense informó en febrero de 2026 de un episodio especialmente significativo ocurrido en California. En el asunto Mendones v. Cushman & Wakefield, la jueza Victoria Kolakowski examinó un vídeo presentado como testimonio auténtico. Determinados elementos resultaron anómalos: el rostro de la testigo permanecía prácticamente inmóvil y podían observarse cortes y aparentes repeticiones en sus gestos. Finalmente se identificó el material como audio y vídeo generados mediante inteligencia artificial de una persona real que habían sido presentados como testimonio auténtico. National Center for State Courts
El episodio posee una enorme importancia conceptual.
No porque aquel material represente necesariamente el deepfake más sofisticado técnicamente construido, sino porque demuestra que la frontera ya ha sido atravesada: la evidencia sintética ha entrado en el procedimiento judicial.
Los tribunales siempre han tenido que enfrentarse a pruebas falsas. Han existido documentos falsificados, firmas imitadas, testimonios mendaces, fotografías manipuladas y grabaciones editadas. La novedad no consiste en descubrir que alguien puede intentar engañar a un tribunal.
La novedad consiste en la facilidad creciente con la que puede fabricarse una representación audiovisual convincente de un acontecimiento inexistente.
El propio National Center for State Courts ha desarrollado orientaciones dirigidas a los jueces para valorar evidencia generada o presuntamente alterada mediante inteligencia artificial. Entre las cuestiones relevantes sitúa precisamente el origen del contenido, su cadena de custodia, los metadatos, la posibilidad de verificación y la eventual necesidad de intervención experta. National Center for State Courts
La preocupación ha dejado, por tanto, de ser futurista.
La especial fuerza de aquello que vemos y escuchamos
La evidencia audiovisual posee una capacidad persuasiva difícilmente comparable con otras formas de información.
No produce necesariamente el mismo efecto leer en un informe que una persona pronunció determinada frase que escuchar aparentemente su propia voz pronunciándola. Tampoco es psicológicamente equivalente recibir el testimonio de que alguien se encontraba en un lugar que contemplar un vídeo en el que creemos verlo allí.
La imagen parece reducir la distancia entre nosotros y los hechos.
No nos cuentan lo ocurrido: aparentemente lo contemplamos.
Ese efecto puede convertirse en una vulnerabilidad cuando la representación ha sido fabricada.
La American Bar Association advertía en 2026 de que los deepfakes plantean un problema singular para los procedimientos judiciales precisamente por la fuerza que concedemos a la evidencia visual. También señalaba que estas falsificaciones no necesitan ser perfectas para resultar eficaces: el contexto, la familiaridad con un rostro o una voz y nuestras propias expectativas pueden completar aquello que técnicamente no es impecable. Asociación Americana de Abogados
Esta dimensión cognitiva no puede separarse del análisis forense.
Una evidencia falsa puede producir efectos mucho antes de que sea formalmente admitida o descartada por un tribunal. Puede modificar la percepción inicial de un caso, condicionar una investigación, influir en una negociación o generar una impresión difícil de neutralizar posteriormente.
Por ello, el problema no consiste solamente en desarrollar mejores herramientas informáticas.
También necesitamos comprender por qué estamos predispuestos a creerlas.
El problema inverso: negar aquello que sí ocurrió
Existe, además, otra consecuencia menos evidente.
Supongamos que una grabación es auténtica y perjudica seriamente a una persona. Hace algunos años podía alegarse que había sido editada o sacada de contexto. Ahora existe una posibilidad defensiva mucho más poderosa: afirmar que ha sido creada mediante inteligencia artificial.
La mera existencia socialmente conocida de los deepfakes introduce una nueva forma de duda.
Este fenómeno ha sido denominado liar’s dividend, expresión que suele traducirse como «dividendo del mentiroso». La lógica es sencilla: cuanto más sabemos que existen falsificaciones audiovisuales convincentes, más plausible puede parecer la negación de un contenido verdadero.
La amenaza funciona entonces en dos direcciones.
Un deepfake puede conseguir que consideremos verdadero un acontecimiento que jamás sucedió. Pero la existencia de los deepfakes puede utilizarse también para intentar que consideremos falso un acontecimiento que realmente ocurrió.
Esta segunda posibilidad es extraordinariamente importante desde la perspectiva de la Justicia.
La Ciencia Forense no tendrá únicamente que detectar lo falso.
Tendrá también que contribuir a proteger la credibilidad de lo verdadero.
Cómo investiga la ciencia forense un deepfake
Las huellas de una falsificación digital
No existe una prueba universal capaz de resolver todos los casos de contenido sintético.
El análisis dependerá del material disponible, su procedencia, su calidad, las transformaciones sufridas y la naturaleza de la generación o manipulación sospechada.
En una imagen pueden estudiarse características relacionadas con texturas, bordes, iluminación, sombras, reflejos o determinadas propiedades estadísticas difíciles de apreciar mediante observación directa. El objetivo no consiste necesariamente en encontrar un defecto espectacular, sino en identificar patrones incompatibles o poco compatibles con determinados procesos ordinarios de captura.
El vídeo añade otra dimensión: el tiempo.
Una imagen individual puede parecer completamente natural y, sin embargo, la sucesión de fotogramas revelar anomalías. La continuidad de movimientos, las expresiones faciales, las transiciones entre regiones de la imagen o determinadas relaciones temporales pueden proporcionar información que no aparece al examinar un único fotograma.
La voz presenta un problema equivalente. Los actuales sistemas de clonación pueden reproducir características reconocibles del hablante, pero el análisis forense puede estudiar propiedades acústicas, espectrales, prosódicas y temporales que vayan más allá del simple reconocimiento auditivo.
Esto introduce una distinción particularmente importante: reconocer una voz no demuestra que la persona a la que pertenece pronunciara realmente aquellas palabras.
Los enfoques multimodales intentan, además, analizar conjuntamente diferentes fuentes de información. La relación entre movimientos labiales y fonemas, entre voz y expresión facial o entre los distintos componentes temporales de una grabación puede revelar inconsistencias que pasarían inadvertidas si cada elemento fuese estudiado por separado.
La investigación actual avanza precisamente hacia métodos cada vez más complejos de análisis. Sin embargo, la creciente sofisticación tecnológica no elimina la incertidumbre; simplemente desplaza el lugar donde debemos buscarla.
El problema de los generadores desconocidos
Uno de los mayores desafíos actuales puede explicarse mediante una pregunta muy sencilla:
¿Qué ocurre cuando el detector se enfrenta a una falsificación creada mediante una tecnología que nunca había visto?
Para desarrollar un sistema de detección pueden utilizarse grandes conjuntos de imágenes auténticas y artificiales. El modelo aprende características que le permiten distinguirlas y posteriormente se comprueba su rendimiento con material de evaluación.
El resultado puede ser excelente.
Pero un nuevo generador puede producir imágenes mediante procedimientos diferentes y no dejar exactamente las mismas características.
El detector deberá entonces enfrentarse a algo distinto de aquello que aprendió a reconocer.
La revisión INTERPOL de 2026 considera precisamente la generalización ante generadores no vistos uno de los grandes desafíos de la investigación actual. También advierte de que la utilización inconsistente de conjuntos de evaluación dificulta comparar adecuadamente diferentes métodos de detección. DOI
Este problema adquiere una dimensión especialmente importante en Ciencia Forense.
Un porcentaje de acierto obtenido experimentalmente no constituye una propiedad universal de una herramienta. Está vinculado a unas condiciones concretas de evaluación.
No podemos trasladarlo automáticamente a cualquier archivo encontrado en cualquier investigación.
Dicho de otra manera: un detector puede ser extraordinariamente bueno reconociendo las falsificaciones que conoce y mucho menos eficaz frente a las que todavía no conoce.
Cuando la evidencia llega degradada
Existe otra diferencia fundamental entre el laboratorio experimental y el caso real.
La evidencia digital rara vez llega en condiciones ideales.
Un vídeo puede haber pasado por una aplicación de mensajería, haber sido comprimido automáticamente, descargado de una red social, recortado, recodificado y enviado varias veces antes de llegar al investigador.
Cada una de esas operaciones puede modificar información relevante.
Determinadas señales utilizadas por los detectores pueden debilitarse o desaparecer. Una reducción de resolución puede eliminar características útiles. Una compresión intensa puede introducir artefactos nuevos que dificulten distinguir entre las alteraciones producidas por la propia plataforma y aquellas derivadas de un proceso generativo.
La revisión INTERPOL señala precisamente que el material encontrado en contexto forense puede presentar baja resolución, iluminación deficiente u otras condiciones subóptimas, y advierte de que los métodos destinados a la práctica forense tienen requisitos diferentes de aquellos evaluados únicamente en condiciones experimentales. PubMed Central (PMC)
Esta circunstancia obliga a recordar un principio esencial:
rendimiento de laboratorio y rendimiento forense operacional no son necesariamente equivalentes.
No basta con preguntar cuánto acierta un detector.
Hay que preguntar cuánto acierta ante material comparable al que realmente estamos examinando.
Inteligencia artificial contra inteligencia artificial
Existe una paradoja evidente: utilizamos inteligencia artificial para detectar contenidos producidos mediante inteligencia artificial.
No hay nada científicamente contradictorio en ello. Los sistemas automáticos pueden identificar patrones demasiado complejos para la observación humana y constituir herramientas de enorme valor.
El problema aparece cuando imaginamos que esta confrontación terminará con la creación de un detector definitivo.
Los sistemas generativos evolucionan y los detectores responden. Cuando estos identifican determinadas características, las siguientes generaciones pueden reducirlas. Cuando aparece una nueva arquitectura de generación, los sistemas de detección necesitan adaptarse.
Generación y detección mantienen así una relación dinámica.
La consecuencia forense es importante: la validación de una herramienta no puede considerarse necesariamente permanente. Un sistema extraordinariamente eficaz en determinado momento puede necesitar ser reevaluado cuando cambia el ecosistema tecnológico.
La Ciencia Forense tendrá que acostumbrarse a trabajar con instrumentos cuyo objeto de análisis evoluciona mientras están siendo desarrollados los procedimientos destinados a detectarlo.
Cuando el detector también puede equivocarse
Validar la herramienta que pretende validar la evidencia
La aparición de programas capaces de clasificar imágenes y vídeos puede generar una peligrosa ilusión de simplicidad.
Introducimos el archivo.
Esperamos unos segundos.
La pantalla responde: «auténtico» o «generado por IA».
El problema parece resuelto.
Pero desde una perspectiva científica, ahí comienzan precisamente las preguntas importantes.
El National Institute of Standards and Technology mantiene en 2026 Guardians of Forensic Evidence, iniciativa destinada a evaluar tecnologías utilizadas en la detección de contenido generado mediante inteligencia artificial. La orientación resulta especialmente significativa porque desplaza la atención desde la mera existencia de un detector hacia su evaluación en escenarios relevantes para la práctica forense.
No basta con disponer de una herramienta.
Hay que conocer cómo se comporta esa herramienta.
La situación conecta directamente con una cuestión fundamental de cualquier disciplina forense. Un instrumento no adquiere validez porque produzca resultados claros o porque incorpore tecnología sofisticada. Su utilidad depende de que conozcamos su fundamento, sus condiciones de aplicación y sus limitaciones.
La inteligencia artificial no modifica ese principio.
Lo refuerza.
Falsos positivos y falsos negativos
Supongamos que un detector clasifica como artificial un vídeo auténtico.
Tenemos un falso positivo.
Una evidencia verdadera podría quedar desacreditada por una herramienta destinada precisamente a protegernos frente a las falsificaciones.
Imaginemos ahora la situación inversa. Un vídeo generado artificialmente supera el análisis y no es identificado.
Tenemos un falso negativo.
En este caso, la herramienta puede proporcionar una falsa sensación de seguridad a una evidencia que nunca debió adquirirla.
Ambos errores poseen consecuencias potencialmente graves.
Por eso preguntar si un detector «funciona» tiene escaso significado científico si no conocemos la distribución de sus errores y las condiciones en que fueron calculados.
Las tasas de error tampoco deberían convertirse en cifras decorativas dentro de un informe. Deben formar parte de la interpretación del resultado.
Un detector no es fiable en abstracto. Es más o menos fiable para determinados materiales, frente a determinadas técnicas de generación y bajo determinadas condiciones.
La seducción de los porcentajes
Imaginemos ahora que el programa no responde simplemente «falso», sino:
92 %
La cifra transmite inmediatamente una sensación de precisión.
Pero ¿qué significa exactamente?
¿Existe un 92 % de probabilidad de que ese vídeo concreto sea falso?
No necesariamente.
Puede tratarse de una puntuación interna, una medida de confianza del clasificador o cualquier otra magnitud cuya interpretación dependa de cómo haya sido diseñado y calibrado el sistema.
La presencia de un porcentaje no convierte automáticamente el resultado en una probabilidad forense interpretable.
Este problema no es exclusivo de los deepfakes. Forma parte de una cuestión más amplia relacionada con el uso de sistemas automatizados: tendemos a atribuir autoridad a aquello que aparece expresado numéricamente.
Cuantos más decimales presenta una herramienta, mayor puede parecer su precisión.
Pero precisión numérica y certeza científica no son sinónimos.
El perito deberá conocer qué representa realmente el resultado antes de trasladarlo a un informe y, sobre todo, antes de permitir que un tribunal lo interprete como algo que no es.
Cuando la máquina no puede explicar por qué
Supongamos ahora que el sistema ofrece un resultado extraordinariamente contundente, pero no podemos explicar adecuadamente cómo llegó hasta él.
Desde determinadas perspectivas tecnológicas, una elevada capacidad clasificatoria puede resultar suficiente.
Desde una perspectiva forense aparece una exigencia adicional.
El resultado tendrá que ser explicado, discutido y eventualmente cuestionado.
El perito deberá poder describir qué metodología utilizó, qué significa el resultado, qué limitaciones presenta y cuál es su relevancia para el caso.
La revisión INTERPOL de 2026 identifica expresamente la explicabilidad como una de las áreas que necesitan mayor desarrollo para acercar estos métodos a la práctica forense y señala la conveniencia de integrar la detección dentro de un verdadero marco de evaluación de la evidencia. DOI
No es necesario que un juez comprenda cada operación matemática de una red neuronal.
Pero sí necesita poder valorar por qué el resultado merece determinado grado de confianza.
De lo contrario podemos sustituir una vieja falsa certeza por otra.
Antes:
«Es verdad porque está grabado».
Ahora:
«Es verdad porque lo dice el algoritmo».
Ninguna de las dos afirmaciones es suficiente.
Autenticidad, procedencia y cadena de custodia digital
De detectar lo falso a demostrar lo auténtico
Hasta ahora hemos planteado el problema principalmente desde una estrategia defensiva: encontrar algo que delate la falsificación.
Pero quizá el futuro de la evidencia digital exija un cambio más profundo.
En lugar de preguntar únicamente si podemos descubrir señales de que un archivo es falso, podemos intentar establecer positivamente de dónde procede y qué le ha ocurrido desde su creación.
La diferencia es fundamental.
No encontrar signos de falsificación no demuestra necesariamente autenticidad. Pero disponer de información verificable sobre el origen, la captura y las transformaciones de un archivo puede aportar evidencia positiva acerca de su procedencia.
Esto desplaza parcialmente el problema desde la detección hacia la trazabilidad.
El objetivo deja de consistir exclusivamente en descubrir la imperfección escondida por el falsificador y pasa también por reconstruir la historia técnica del contenido.
La estrategia resulta especialmente interesante porque los sistemas generativos pueden mejorar hasta eliminar determinados defectos, pero la necesidad de demostrar procedencia continúa existiendo.
El futuro probablemente combinará ambos enfoques: analizar posibles indicios de generación artificial y, simultáneamente, acreditar la procedencia de aquello que se presenta como auténtico.
La cadena de custodia ante la evidencia sintética
La cadena de custodia siempre ha constituido una garantía fundamental de la evidencia.
En el ámbito digital adquiere una importancia todavía mayor.
No ofrece las mismas posibilidades de análisis un archivo original extraído del dispositivo de captura que un vídeo descargado de una red social después de haber sido reenviado numerosas veces.
Será necesario documentar, en la medida de lo posible, el origen del archivo, el dispositivo del que procede, las copias realizadas y las transformaciones experimentadas.
Los metadatos pueden aportar información valiosa, pero tampoco deben convertirse en una nueva fuente de certezas absolutas. Pueden modificarse, perderse o resultar incompletos.
Algo semejante ocurre con los valores hash. Son extraordinariamente útiles para acreditar que un archivo no ha cambiado desde determinado momento, pero no demuestran por sí solos que el acontecimiento representado sea verdadero.
Si calculamos el hash de un deepfake perfectamente conservado, podremos demostrar que el archivo no ha sido modificado desde que calculamos ese valor.
Seguiremos teniendo un deepfake.
Integridad y autenticidad están relacionadas, pero no son conceptos equivalentes.
El National Center for State Courts incluye precisamente procedencia, cadena de custodia, metadatos y corroboración entre las cuestiones que deben examinarse cuando se discute la autenticidad de evidencia potencialmente generada mediante IA. National Center for State Courts
La historia del archivo
Este cambio conduce a una idea que probablemente adquirirá cada vez mayor importancia en la práctica forense.
Durante mucho tiempo hemos concentrado la atención en aquello que una imagen muestra.
Ahora tendremos que prestar mucha más atención a cómo esa imagen llegó hasta nosotros.
Dónde se originó, cómo fue capturada, dónde estuvo almacenada, qué transformaciones sufrió, quién tuvo acceso a ella y qué información técnica permite reconstruir su recorrido.
La evidencia deja de ser solamente contenido.
También es procedencia.
Y esto permite formular uno de los principios centrales del problema:
En la era de la evidencia sintética, la historia del archivo comienza a ser casi tan importante como la historia que el archivo cuenta.
El factor humano: del perito al tribunal
El perito ante la evidencia sintética
La aparición de detectores automáticos no reduce la responsabilidad del perito.
En determinados aspectos, la aumenta.
Será necesario seleccionar herramientas adecuadas, conocer sus condiciones de validación, valorar la calidad del material, documentar los procedimientos utilizados e integrar los resultados con el resto de la evidencia.
No debería considerarse metodológicamente suficiente introducir el mismo vídeo en varios detectores, observar que la mayoría devuelve una puntuación elevada y transformar esa coincidencia en una conclusión categórica.
La convergencia de resultados puede ser informativa, pero su valor dependerá de la independencia de los métodos, de sus fundamentos y de la validez de las herramientas.
Cinco detectores construidos sobre principios semejantes y vulnerables al mismo problema no equivalen necesariamente a cinco evidencias independientes.
La función del perito seguirá siendo interpretar.
La inteligencia artificial puede auxiliar esa interpretación, pero no elimina la necesidad de razonamiento científico.
El sesgo humano no desaparece porque aparezca un algoritmo
Los deepfakes incorporan tecnología nueva a un problema antiguo: quien examina una evidencia sigue siendo un ser humano.
Imaginemos que el investigador entrega un vídeo al perito diciendo:
«Sabemos que está generado mediante inteligencia artificial. Necesitamos que determine cómo lo hicieron».
Comparemos esa petición con:
«Determine si existen elementos técnicamente sustentables que permitan valorar la autenticidad del archivo».
No son solicitudes equivalentes.
En la primera, una hipótesis ya ha sido presentada como cierta antes de comenzar el análisis.
La información contextual puede orientar la atención hacia determinados indicios, favorecer determinadas interpretaciones y aumentar el riesgo de confirmación de expectativas previas.
Pero aparece además otro fenómeno: el sesgo de automatización.
Podemos atribuir un peso excesivo al resultado de una máquina precisamente porque procede de una máquina.
Una interfaz sofisticada, una cifra precisa y un modelo presentado como inteligencia artificial pueden generar una autoridad psicológica que no necesariamente se corresponde con la verdadera capacidad probatoria del sistema.
El perito tendrá que evitar, por tanto, dos formas de credulidad.
La primera consiste en creer automáticamente lo que ve.
La segunda, en creer automáticamente a la máquina que le dice si debe creerlo.
El informe pericial y la incertidumbre
La necesidad de ofrecer respuestas claras en un procedimiento judicial puede entrar en tensión con la verdadera naturaleza del conocimiento científico.
El tribunal puede querer saber:
«¿Es falso el vídeo o no?»
Pero quizá la evidencia disponible no permita responder en esos términos.
En determinados casos podrán identificarse características sólidamente compatibles con generación artificial. En otros, las condiciones del archivo permitirán únicamente establecer distintos grados de apoyo. Y habrá situaciones en las que la calidad del material o las limitaciones metodológicas impidan alcanzar una conclusión suficientemente robusta.
Decirlo no debilita el informe.
Lo fortalece.
Una conclusión científica no debe ser más contundente que la evidencia que la sustenta.
Por ello, expresiones como «no se han detectado indicios mediante los procedimientos empleados» no deberían convertirse automáticamente en «el vídeo es auténtico». Del mismo modo, encontrar determinadas características compatibles con generación artificial exigirá valorar hasta qué punto pueden producirse también por otras causas.
Incluso puede existir una conclusión incómoda pero perfectamente científica:
con los datos disponibles no es posible determinarlo con suficiente fiabilidad.
La Ciencia Forense no demuestra su fortaleza eliminando verbalmente la incertidumbre.
La demuestra midiéndola, delimitándola y comunicándola correctamente.
Jueces, fiscales y abogados ante una nueva evidencia
El problema no termina cuando el perito firma su informe.
Quien recibe la conclusión debe comprender adecuadamente qué significa.
El National Center for State Courts dispone ya de materiales específicos destinados a ayudar a los jueces a evaluar evidencia generada o presuntamente alterada mediante inteligencia artificial. Entre sus recomendaciones se encuentra diferenciar los contenidos cuya utilización de IA ha sido declarada de aquellos cuya manipulación se oculta o se discute, así como examinar procedencia, cadena de custodia, metadatos y posibilidades de verificación. National Center for State Courts
No se trata de convertir a jueces, fiscales y abogados en especialistas en aprendizaje profundo.
Se trata de que puedan formular preguntas científicamente pertinentes.
La formación deberá impedir dos reacciones extremas: aceptar sin suficiente crítica aquello que presenta una apariencia tecnológica de objetividad o desconfiar indiscriminadamente de cualquier evidencia audiovisual porque sabemos que los deepfakes existen.
La respuesta adecuada no es credulidad ni escepticismo absoluto.
Es evaluación.
Hacia una criminalística de la autenticidad digital
¿Podemos creer lo que vemos?
Después de todo lo expuesto, podría parecer que la respuesta debería ser negativa.
No podemos confiar ya en ninguna imagen.
No podemos confiar en ninguna grabación.
No podemos confiar en ningún vídeo.
Pero esa conclusión sería tan equivocada como la confianza ciega que pretende sustituir.
La aparición de deepfakes no convierte automáticamente en sospechosa toda evidencia audiovisual ni elimina su extraordinaria utilidad para investigar y demostrar hechos.
Lo que desaparece es una equivalencia demasiado sencilla:
ver no equivale, por sí solo, a demostrar.
Una imagen tendrá que valorarse atendiendo a su procedencia, integridad, cadena de custodia, circunstancias de obtención, transformaciones, análisis realizados y relación con las demás evidencias disponibles.
La pregunta cambia entonces.
Ya no debería ser simplemente:
¿Creo lo que estoy viendo?
Debería convertirse en:
¿Qué evidencia tengo para considerar auténtico aquello que estoy viendo?
Ese cambio aparentemente pequeño contiene una profunda transformación forense.
Detectar lo falso y proteger lo verdadero
La Ciencia Forense tendrá que desempeñar una doble función.
La primera parece evidente: desarrollar procedimientos capaces de identificar contenidos artificiales y evitar que representaciones fabricadas sean aceptadas como evidencia auténtica.
La segunda puede resultar todavía más difícil: proteger la evidencia auténtica frente a acusaciones infundadas de manipulación.
La revisión INTERPOL de 2026 expresa claramente ambos riesgos: sin procedimientos fiables de verificación existe la posibilidad de que evidencia falsa sea aceptada por los tribunales o de que evidencia auténtica sea descartada como falsa, con las consiguientes posibilidades de error judicial. DOI
Esta doble amenaza transforma el problema.
No basta con construir detectores.
Necesitamos sistemas de autenticación, mejores procedimientos de preservación, estándares de evaluación, formación profesional y una cultura pericial capaz de manejar la incertidumbre.
La Ciencia Forense deberá ser capaz de responder tanto a quien afirma: «Este vídeo demuestra que ocurrió»,
como a quien responde: «Ese vídeo es un deepfake».
Ninguna de las dos afirmaciones debería aceptarse únicamente porque resulte conveniente para quien la formula.
Ambas requieren evidencia.
Cuando la realidad también necesita demostrar su autenticidad
La inteligencia artificial generativa ha conseguido algo que trasciende ampliamente la falsificación.
Ha alterado nuestra relación con la representación de la realidad.
Una fotografía puede mostrar una escena que nunca existió. Una voz puede pronunciar palabras jamás pronunciadas. Un vídeo puede representar un acontecimiento inexistente.
La solución no consistirá en desconfiar de nuestros sentidos.
Consistirá en dejar de tratarlos como instrumentos suficientes de demostración.
La Ciencia Forense deberá integrar nuevas técnicas de detección con principios que en realidad no son nuevos: validación, reproducibilidad, control del error, trazabilidad, cadena de custodia, independencia del examinador y correcta expresión de las conclusiones.
También deberá aceptar una realidad incómoda. Los métodos de generación evolucionarán. Los detectores cometerán errores. Las evidencias llegarán degradadas. Habrá resultados difíciles de interpretar y casos en los que no sea posible alcanzar una conclusión categórica.
Eso no significa que la Ciencia Forense haya fracasado.
Significa precisamente que debe comportarse como ciencia.
La revisión de más de cuatrocientos estudios realizada en el marco de INTERPOL muestra que la investigación actual se dirige hacia problemas como la generalización, la resistencia frente a alteraciones, la explicabilidad y la incorporación de los detectores a verdaderos marcos de evaluación de la evidencia. DOI Al mismo tiempo, la aparición de guías específicamente dirigidas a los tribunales demuestra que el problema ya no pertenece exclusivamente a los laboratorios. National Center for State Courts
Estamos entrando, por tanto, en una etapa distinta de la evidencia digital.
No bastará con presentar una fotografía. Habrá que poder defender su procedencia.
No bastará con reconocer una voz. Habrá que determinar si la grabación corresponde realmente a un acto de habla producido por esa persona.
No bastará con mostrar un vídeo. Habrá que establecer qué relación mantiene con el acontecimiento que pretende representar.
Y tampoco bastará con que un algoritmo declare que algo es verdadero o falso. Habrá que conocer por qué podemos confiar en ese algoritmo, bajo qué condiciones funciona y cuáles son sus posibilidades de error.
Quizá pueda hablarse, en sentido amplio, de una progresiva Criminalística de la autenticidad digital: no necesariamente como una nueva disciplina autónoma, sino como una exigencia transversal destinada a determinar qué relación existe entre un contenido digital y la realidad que pretende documentar.
Durante mucho tiempo hemos preguntado a la evidencia audiovisual:
¿Qué nos muestra?
La inteligencia artificial obliga ahora a formular primero otra pregunta:
¿Por qué podemos confiar en que aquello que nos muestra ocurrió realmente?
Ese será probablemente uno de los grandes desafíos contemporáneos de las Ciencias Forenses.
Porque en la era de los deepfakes, su misión no será enseñarnos a desconfiar de todo aquello que vemos.
Será proporcionarnos razones científicamente defendibles para saber cuándo podemos creerlo.
Nota metodológica
Los rendimientos y tasas de acierto comunicados para los sistemas de detección de deepfakes dependen de las arquitecturas analizadas, los conjuntos de datos utilizados, las métricas seleccionadas, la calidad de los archivos y las condiciones experimentales. Por ello, un porcentaje obtenido en un estudio o proceso de validación concreto no debe extrapolarse automáticamente a cualquier detector, generador o evidencia encontrada en un caso real. La propia literatura forense reciente señala como problemas pendientes la generalización ante generadores desconocidos, la robustez frente a transformaciones y ataques, la comparabilidad entre conjuntos de evaluación y la explicabilidad de los métodos. DOI
Referencias bibliográficas y documentales
Van Lierop, S., Najdenkoska, I., Worring, M. y Geradts, Z. (2026). Interpol review of detection of AI-generated image and video deepfakes, 2022–2025. Forensic Science International: Synergy, 13, 100704. DOI: 10.1016/j.fsisyn.2026.100704. Revisión sistemática de más de cuatrocientos estudios sobre generación y detección de imágenes y vídeos sintéticos, con especial atención a su aplicación forense. PubMed
Consultar artículo en PubMed
Van Lierop, S., Najdenkoska, I., Worring, M. y Geradts, Z. (2026). Versión íntegra en acceso abierto de la revisión INTERPOL anterior. Además de la detección, aborda la autenticidad de la evidencia digital, generalización, explicabilidad y necesidades específicas de la práctica forense. PubMed Central (PMC)
Consultar texto completo
National Center for State Courts (2026). AI-generated evidence is a threat to public trust in the courts. 24 de febrero de 2026. Expone el caso Mendones v. Cushman & Wakefield y las consecuencias judiciales de la presentación de contenido generado mediante IA como evidencia pretendidamente auténtica. National Center for State Courts
Consultar documento del NCSC
National Center for State Courts. AI-generated evidence: A guide for judges. Guía dedicada a la valoración judicial de contenidos creados, modificados o presuntamente falsificados mediante inteligencia artificial, con especial atención a procedencia, cadena de custodia, metadatos y verificación experta. National Center for State Courts
Consultar guía para jueces
National Center for State Courts (2025). Evaluating unacknowledged AI-generated evidence. Orientación específica para aquellos supuestos en los que una parte presenta una evidencia y su autenticidad es cuestionada por una posible generación o modificación no declarada mediante inteligencia artificial. National Center for State Courts
Consultar guía sobre evidencia no declarada
Maschke, M., Nelson, S. D. y Simek, J. (2026). Are Lawyers Ready for Deepfakes in Courts? Law Practice Magazine, American Bar Association, 6 de marzo de 2026. Analiza la aparición de deepfakes en los procedimientos judiciales, la fuerza psicológica de la evidencia audiovisual y los riesgos derivados de una confianza excesiva en aquello que vemos y escuchamos. Asociación Americana de Abogados
Consultar artículo de la American Bar Association
Forensic Science International: Synergy (2026). Interpol review of forensic image and video analysis, 2022–2025. Revisión del estado actual del análisis forense de imagen y vídeo que destaca tanto las nuevas posibilidades proporcionadas por el aprendizaje profundo como los problemas de transparencia, validación e integridad de la evidencia digital. ScienceDirect
Consultar revisión sobre análisis forense de imagen y vídeo
