Cómo saber si una imagen está hecha con IA

Para saber si una imagen está hecha con IA, rastree su fuente, busque un historial de creación validado o una marca de agua compatible y utilice un detector de imágenes para examinar lo que sugiere el propio contenido. Cada comprobación responde a una parte distinta de la pregunta. Los «fallos» visuales, como manos deformes o textos ilegibles, no son una prueba: sirven para orientar la revisión, no para cerrarla.

Mantenga una segunda pregunta junto a la del origen: ¿respalda esta imagen la afirmación que la acompaña? Una fotografía hecha con una cámara puede mostrar el artículo equivocado o un incidente anterior. Una ilustración generada y declarada como tal puede ser perfectamente adecuada para su uso. La intervención de la IA y el engaño son hallazgos distintos.

Por dónde empezar

Para comprobar una sola imagen, empiece por la verificación de imágenes de Fileverity. En un mismo análisis reúne la detección de generación por IA, la localización de manipulaciones y la lectura de la procedencia: Credenciales de contenido, metadatos EXIF y XMP y etiquetas de IA legibles por máquina. Cada análisis de imágenes genera un informe con ID y huella SHA-256 que su equipo puede conservar en el expediente y contrastar en la página pública de verificación. El informe indica si se obtuvo y validó un sello de tiempo RFC 3161. Las fases del análisis se describen en cómo funciona. El resultado sobre el origen de la imagen se vincula después con la afirmación que usted revisa.

1. Defina qué debe acreditar la imagen

Escriba una frase que identifique el objeto, el momento y el contexto. «Esta bicicleta llegó con el cuadro agrietado el martes» le da al revisor algo concreto que comprobar. «¿Es real esta imagen?» mezcla varias preguntas que pueden exigir pruebas distintas.

En el caso de la bicicleta, separe cuatro preguntas: si la foto procede de una cámara, si la grieta pudo añadirse después, si la bicicleta fotografiada es la vendida (por ejemplo, por su número de bastidor) y cuándo se produjo el daño. La detección de imágenes generadas por completo ayuda con la primera; el análisis local, con la segunda; los registros de la operación y de la entrega, con las otras dos. Mantener separadas estas tareas hace que cada comprobación sea más útil.

Fije la regla de decisión antes de mirar el resultado de un detector. Por ejemplo: «Una reclamación por daños exige una imagen nítida del defecto y una prueba que vincule el artículo fotografiado con la operación». Así evita que una puntuación llamativa acabe sustituyendo, sin que nadie lo advierta, el requisito real. Elija un siguiente paso proporcionado: en la revisión de una ilustración puede bastar con que se declare su origen, mientras que una operación discutida puede requerir otra fotografía del artículo y un identificador que coincida.

2. Rastree la fuente y conserve la versión recibida

Conserve sin cambios el archivo recibido, junto con el remitente, la hora de recepción y el contexto de captura que se declara. Asigne a cada versión una referencia estable: la huella SHA-256 (hash) identifica exactamente los bytes analizados. Vincule a esa referencia los archivos que lleguen después y los resultados de cada análisis.

Si solo tiene una captura de pantalla o una foto recibida por WhatsApp, pida el archivo y diga exactamente cómo enviarlo: «Envíe la foto como documento (adjunto), no como captura ni reenviando la foto». La diferencia es real: cuando una foto se comparte como foto pierde calidad, mientras que al elegir «Documento» la aplicación envía el archivo sin recomprimirlo (Xataka, 13 de septiembre de 2023). Aun así, un archivo exportado directamente también puede proceder de un generador. Trate la petición como una forma de obtener mejores pruebas, no como una prueba de autenticidad.

Separe el rastreo de la fuente de la reputación de quien la envía. Un contacto habitual puede reenviar por error una imagen engañosa. Hablar con esa persona por un canal conocido permite saber de dónde la obtuvo, pero su seguridad no sustituye al historial del archivo. Pregunte si hizo la foto, si la recibió de otra persona o si la descargó, y anote qué partes puede confirmar personalmente.

Cuando el material lo permita, use la búsqueda inversa de imágenes para encontrar apariciones anteriores. Abra la página coincidente y compare detalles distintivos en lugar de fiarse de una miniatura: un recorte distinto del mismo defecto puede ser más útil que un producto parecido. Anote la dirección de la página y la fecha que realmente respalda; una fecha de publicación visible no es necesariamente la fecha de captura. Una búsqueda sin coincidencias es una búsqueda sin éxito, no una prueba de que la imagen sea nueva.

No suba material confidencial ni fotos con datos personales a servicios públicos de búsqueda o de análisis si no tiene base para ese tratamiento según el RGPD y su política interna. En el análisis de imágenes de Fileverity, la búsqueda de copias en páginas web públicas es opcional y está desactivada por defecto; el tratamiento de los archivos se describe en la página de seguridad.

3. Separe los metadatos simples de la procedencia firmada

Los metadatos pueden aportar pistas como el modelo de cámara, las fechas o la autoría. EXIF, IPTC y XMP son formatos de metadatos consolidados, pero ver un campo de cámara no equivale a verificar una firma. El NIST trata estos formatos por separado de los mecanismos que protegen los registros de procedencia (NIST AI 100-4, apartado 3.1.2, en inglés).

Lea el nombre exacto del campo antes de interpretar una fecha: la fecha de modificación del archivo, la de exportación y la de captura responden a preguntas distintas. Registre una discrepancia como discrepancia. No deduzca que el nombre de un programa implica una edición generativa, ni que la falta de campos de cámara signifique que no hubo cámara. Un campo ausente es una prueba especialmente débil cuando desconoce el recorrido del archivo.

Las Credenciales de contenido (C2PA) añaden afirmaciones firmadas asociadas a un archivo. La validación puede comprobar la integridad del registro, su vinculación con el archivo y la confianza en el firmante, algo muy distinto de leer metadatos. El propio estándar separa procedencia y veracidad: la información de procedencia, por sí sola, no indica si el contenido es verdadero o exacto. Además, su adopción es voluntaria, el historial puede estar incompleto y los metadatos pueden eliminarse (explicación de C2PA 2.2, apartados 2 y 7, en inglés).

En una revisión práctica, guarde el resultado del validador e identifique exactamente qué describe. ¿El registro se refiere a una captura, a una generación, a una edición o a una exportación posterior? ¿Cubre este archivo o un ingrediente anterior? ¿Reconoce el validador al firmante? Estas preguntas convierten una insignia en una prueba utilizable.

Distinga entre «no presente», «no se pudo validar» y «validada con estas afirmaciones»: son observaciones diferentes. Si la validación falla, conserve el diagnóstico en lugar de traducir cada fallo en una manipulación deliberada. Si el registro declara una generación con IA, informe de esa afirmación y de su estado de validación, sin dar a entender que toda la historia representada queda desmentida.

Lo que cambia el Reglamento de IA

A 28 de octubre de 2026, el marco europeo es el siguiente:

• Desde el 2 de agosto de 2026, los proveedores de sistemas de IA que generan audio, imagen, vídeo o texto sintéticos deben velar por que los resultados de salida estén marcados en un formato legible por máquina y puedan detectarse como generados o manipulados artificialmente (Reglamento (UE) 2024/1689, artículo 50.2, aplicable según su artículo 113). La obligación no se aplica, entre otros casos, cuando el sistema solo desempeña una función de apoyo a la edición estándar o no altera sustancialmente los datos de entrada.
• Los sistemas introducidos en el mercado antes de esa fecha tienen hasta el 2 de diciembre de 2026 para cumplirla, según el nuevo artículo 111.4 que introdujo el Reglamento (UE) 2026/1744, conocido como Ómnibus digital sobre IA, publicado en el DOUE el 24 de julio de 2026.

La consecuencia práctica para un revisor es doble. Cada vez más archivos llevarán marcas y Credenciales de contenido. Pero la ausencia de una marca no demuestra nada: el sistema puede ser anterior a la obligación o estar en su periodo transitorio, el proveedor puede no cumplir o no ofrecer el sistema en la UE, la función utilizada puede estar exenta y el canal de envío puede haber eliminado los metadatos. En la página sobre el artículo 50 del Reglamento de IA encontrará el calendario completo.

4. Fotos generadas por IA: examine la imagen para formular preguntas comprobables

Las fotos generadas por IA rara vez se distinguen a simple vista: la revisión visual sirve sobre todo para señalar qué investigar a continuación, no para cerrar la cuestión. Examine las zonas que importan para la afirmación a un tamaño de visualización útil: el defecto, la etiqueta con el número de serie, los elementos del fondo, los reflejos o los límites entre objetos. Ampliar la imagen ayuda a ver los píxeles disponibles, pero no crea pruebas que no existen.

Estas son las pistas que más se suelen revisar. Cada una tiene una explicación habitual que debe descartar antes de ver en ella un indicio de generación:

Una guía de investigación de la Northwestern University agrupa estas pistas en inverosimilitudes anatómicas, estilísticas, funcionales, físicas y socioculturales. Sus autores advierten de que estos artefactos no siempre aparecen en las imágenes generadas y de que los píxeles por sí solos a menudo no bastan para fijar el origen sin contexto (Kamali et al., «How to Distinguish AI-Generated Images from Authentic Photographs», en inglés).

Escriba «el número de bastidor no se puede leer» o «el borde de la rueda y el suelo parecen discontinuos», en lugar de «esto parece IA». La primera redacción recoge una observación que otra persona puede comprobar. La segunda mezcla apariencia, causa y confianza en un veredicto sin respaldo.

Antes de atribuir una rareza a la generación, considere las explicaciones habituales: el movimiento, la poca profundidad de campo, los reflejos, la compresión y la edición rutinaria cambian lo que se ve. A la inversa, que las manos, los textos o las sombras no presenten errores conocidos no resuelve el origen. No convierta una lista de defectos visuales en su único criterio de aceptación.

Una buena petición se dirige a la duda concreta. Si la etiqueta es ilegible, pida una fotografía cercana que también la vincule con el artículo. Si el detalle discutido ocupa una zona pequeña, investigue una manipulación local en lugar de suponer que una clasificación de la imagen completa puede localizarla o explicarla.

5. Elija la comprobación que responde a la pregunta pendiente

La verificación de una marca de agua y la detección aprendida son mecanismos distintos. Una comprobación de marca de agua busca una señal concreta incrustada; un detector entrenado evalúa patrones del contenido. El NIST trata el seguimiento de la procedencia y la detección basada en el contenido como enfoques diferentes y subraya que ninguna técnica es completa por sí sola (NIST AI 100-4, apartados 3.1 y 3.2, en inglés).

SynthID, de Google, es un buen ejemplo del alcance de una marca de agua. Según la ayuda de Gemini, si se detecta la marca, la imagen se creó total o parcialmente con modelos de IA de Google; si no se detecta, no se creó con la IA de Google, aunque podría haberse creado con otros sistemas (Ayuda de Gemini: verificar imágenes, vídeos y audio generados por IA). Un resultado positivo aporta una pista concreta sobre ese ecosistema; uno negativo deja abiertos los demás generadores y métodos de edición.

Asigne a cada comprobación la pregunta que puede responder:

La detección aprendida es útil cuando falta el historial de la fuente o cuando quiere comprobar si el contenido concuerda con el origen declarado. Elija el detector según la tarea: imágenes generadas por completo, ediciones locales o ambas. Compruebe si su evaluación cubre el tipo de archivo que ha recibido, ya sea una exportación original o un adjunto comprimido. Para decisiones con consecuencias, pida pruebas del rendimiento en el umbral de revisión previsto. El NIST destaca el daño que pueden causar los falsos positivos y la conveniencia de evaluar la detección con umbrales definidos (NIST AI 100-4, apartado 4.2.2, en inglés). La guía sobre la precisión de un detector de imágenes generadas con IA explica cómo leer esas cifras.

Guarde el nombre de la herramienta, la versión disponible, la fecha del análisis, el identificador del archivo, la etiqueta del resultado y el umbral. No reinterprete en silencio un número como «la probabilidad de que esta persona haya mentido». Salvo que el proveedor documente el significado y la calibración de su puntuación para ese uso, mantenga el número en los términos de la propia herramienta. Dos servicios que coinciden no cuentan automáticamente como dos confirmaciones independientes: compruebe primero si aportan pruebas realmente distintas. La guía sobre C2PA, marcas de agua y detectores desarrolla cómo combinar estas tres vías.

Fundamento técnico: cómo convierte un detector los píxeles en pruebas

Fileverity utiliza la clasificación aprendida de imágenes como una parte de su análisis. La idea técnica consiste en transformar la imagen recibida en una representación que permita una distinción definida, como contenido generado frente a contenido de cámara. Una abstracción pública útil es z = φ(T(x)); s = h(z): x es la imagen enviada, T la prepara para el análisis, φ produce rasgos numéricos aprendidos y h produce una puntuación de clasificación. Es un modelo general de clasificación; los detalles de la implementación son propios.

El paso decisivo es la representación. Un rasgo no tiene por qué corresponder a un objeto reconocible ni a un error evidente. El entrenamiento puede hacer útiles combinaciones de patrones para separar categorías etiquetadas, aunque a una persona ambas categorías le parezcan verosímiles. La puntuación resultante se refiere a esa distinción aprendida; no recupera el historial de creación. En la literatura, Wang y sus colegas mostraron en 2020 que un clasificador entrenado con imágenes de un solo generador podía detectar imágenes de otros generadores no vistos durante el entrenamiento, un ejemplo temprano de pruebas aprendidas que van más allá de una lista de defectos visuales (Wang et al., CVPR 2020, en inglés).

De este mecanismo se derivan dos cuestiones técnicas. La primera es que la preparación cambia las pruebas disponibles. Si una imagen de 4032 × 3024 se reduce a 1008 × 756, cada dimensión se divide por cuatro y el número de píxeles por dieciséis. Un detalle de 16 píxeles de ancho en el original ocupa unos 4 píxeles en la copia. La interpolación determina los valores resultantes: la matriz más pequeña no es una copia igual de informativa.

La segunda es que el modelo puede aprender correlaciones que no se mantienen en los archivos reales. Imagine una evaluación con fotos JPEG de cámara e imágenes PNG generadas. Una buena separación podría reflejar pruebas de generación, diferencias de formato o ambas cosas. Para averiguarlo, conserve las etiquetas conocidas y compare ambas clases en las mismas condiciones de entrega: originales de cámara frente a originales generados y, después, las copias correspondientes enviadas por mensajería. Mantenga juntas todas las versiones de una misma fuente al separar los conjuntos de desarrollo y de prueba; de lo contrario, una escena conocida puede hacer que la generalización parezca más fácil de lo que es.

Para quien compra un detector, esto explica por qué «parece totalmente real» es un buen caso de prueba, pero no un diseño de evaluación completo. Compruebe si las pruebas del detector resisten los canales por los que usted recibe las imágenes y si los archivos legítimos de esos mismos canales siguen distinguiéndose. El historial de la fuente y la corroboración conectan después esa clasificación con el uso que se atribuye a la imagen.

6. Resuelva las contradicciones antes de elegir una etiqueta

Una afirmación de origen de cámara y una alerta de IA no tienen por qué referirse a la misma etapa del historial del archivo. Compruebe primero si ambos resultados corresponden al mismo adjunto. Después revise las acciones registradas y la tarea del detector. Una edición posterior, un historial incompleto, una entrada no compatible o un error de clasificación son posibilidades que investigar, no explicaciones que dar por buenas.

Un registro de contradicciones útil tiene tres columnas: observación, explicación posible y prueba que permitiría distinguirlas. Por ejemplo, «el adjunto anterior tiene credenciales; la captura no» invita a comparar las versiones y su recorrido; no justifica concluir que el remitente miente. «Sin marca de agua; detector positivo» puede ser simplemente la combinación de una comprobación limitada a un ecosistema con un clasificador de contenido más amplio.

No promedie resultados que no guardan relación para obtener un porcentaje de autenticidad casero. Busque pruebas que resuelvan el desacuerdo: el adjunto anterior exacto, el diagnóstico del validador, el historial de exportación documentado por el autor o una fotografía independiente del objeto discutido. Si ninguna prueba disponible separa las explicaciones, mantenga el hallazgo como no resuelto.

Caso práctico: una bicicleta vendida en una plataforma de segunda mano

Caso hipotético. Un comprador envía por WhatsApp una captura de pantalla en la que se ve el cuadro agrietado de una bicicleta y afirma que llegó dañada. El vendedor discute la fotografía. La política de revisión de la plataforma exige pruebas del daño vinculadas al artículo entregado.

El hallazgo provisional defendible es: «La captura enviada no basta para acreditar un daño en la entrega. Una fotografía coincidente es anterior a la compra. Sigue sin resolverse si la imagen se generó con IA; las pruebas adicionales vinculan el defecto con la bicicleta vendida, pero todavía no acreditan cuándo se produjo».

En este caso, el rastreo de la fuente y las pruebas de la operación resuelven preguntas que las comprobaciones automáticas dejan abiertas. En otro envío, una afirmación de generación validada y emitida por un firmante de confianza podría bastar para concluir que la imagen se generó con IA según la política de revisión. El siguiente paso sería entonces determinar si esa ilustración era aceptable para el fin declarado. Elija la siguiente comprobación en función del dato que falta: una segunda puntuación de detector solo sirve si aporta pruebas pertinentes.

Cómo saber si un dibujo o una ilustración está hecho con IA

Para saber si un dibujo o una ilustración está hecho con IA, no basta con mirar la imagen terminada: pida pruebas del proceso de creación, lea lo que el propio archivo declara y trate la puntuación de un detector como un indicio más, no como un veredicto.

Las ilustraciones y la pintura digital son más difíciles de juzgar que las fotografías. Las superficies lisas, las luces imposibles y los escenarios inventados suelen ser decisiones artísticas, de modo que la mayoría de las pistas visuales del paso 4 dicen poco sobre un dibujo. Un estilo que se parezca al de un ilustrador conocido tampoco identifica a su autor: tanto una persona como un modelo pueden imitar un estilo.

Pida pruebas del proceso en lugar de fiarse del aspecto de la imagen final:

• Archivos de trabajo. El archivo original del programa de dibujo, con capas de boceto, línea y color que van construyendo la imagen final.
• Fases intermedias. Bocetos con fecha y versiones anteriores enseñadas a un cliente o publicadas antes de la obra definitiva.
• Una grabación del proceso. Muchos programas de dibujo pueden grabar la creación (un timelapse); una grabación continua es más difícil de producir a posteriori que un único archivo.

Estas pruebas también pueden fabricarse, por ejemplo repintando sobre una imagen generada o montando las capas después. Compruebe que sean coherentes: los primeros bocetos deben anticipar la composición final y cada capa debe contener el tipo de trabajo que dice contener.

Lea después lo que la imagen declara sobre sí misma. Meta aplica la etiqueta «AI info» cuando detecta indicadores de IA habituales en el sector o cuando quien publica declara que usó IA (Meta, etiquetado de contenido generado por IA, en inglés). Las herramientas compatibles con las Credenciales de contenido pueden registrar una acción de IA en la procedencia del archivo mediante el campo del tipo de fuente digital (explicación de C2PA 2.2, apartado 7.4.4, en inglés). El vocabulario IPTC correspondiente distingue «Created using Generative AI» (creado con IA generativa) de «Edited using Generative AI» (editado con IA generativa) (vocabulario IPTC Digital Source Type, en inglés). Que falte una etiqueta o una credencial no demuestra que la obra sea humana: la procedencia puede eliminarse y muchas herramientas nunca la añaden.

Si usa un detector con una ilustración, pregunte si la evaluación del proveedor incluye ilustraciones y pintura digital, y no solo fotografías, y qué significan su puntuación y su umbral. En una comparación académica entre obras humanas e imágenes generadas, un detector comercial y artistas expertos acertaron en gran medida, pero se equivocaron de forma distinta; los autores concluyen que un equipo que combine personas y herramientas automáticas ofrece el mejor equilibrio entre precisión y robustez (Ha et al., «Organic or Diffused: Can We Distinguish Human Art from AI-generated Images?», en inglés). La guía sobre la precisión de un detector de imágenes generadas con IA explica cómo leer esos resultados.

Antes de un concurso, un encargo o una convocatoria, fije por escrito la regla sobre el uso de IA y las pruebas del proceso que aceptará (bases del concurso, briefing o contrato del encargo). Es más justo con los ilustradores que juzgar una imagen terminada solo por una puntuación.

Registro de revisión reutilizable y regla de parada

Conserve el detalle suficiente para que un segundo revisor pueda reproducir el razonamiento:

• Afirmación y requisito: qué debe acreditar la imagen y qué criterio de aceptación se aplica.
• Archivo y fuente: versión recibida, remitente, hora de recepción, versiones anteriores e identificadores.
• Observaciones: detalles visibles, metadatos, diagnósticos del validador y resultados literales de las herramientas.
• Corroboración: enlaces a fuentes, registros coincidentes o fotografías independientes, con sus limitaciones.
• Hallazgo y acción: conclusión respaldada, preguntas abiertas, revisor y siguiente paso.
• Datos personales: conserve solo los necesarios para el caso y durante el plazo que fije su política.

Deje de añadir herramientas cuando otro análisis no pueda responder a la pregunta pendiente. Si el dato que falta es el momento de la captura o la titularidad del artículo, busque pruebas de ese momento o de esa titularidad. Si el archivo disponible no es adecuado para el análisis elegido, deje constancia de esa limitación. Escale las discrepancias relevantes que sigan abiertas por el procedimiento de revisión establecido, en lugar de convertir la incertidumbre en un rechazo.

Para un resultado defendible, use según corresponda «la generación por IA está respaldada por una afirmación de origen validada», «el detector marcó este archivo para revisión» o «el origen sigue sin resolverse». No reduzca estas situaciones a una única etiqueta de «falsa».

Aplique estas comprobaciones a su caso

Para una imagen cuyo origen necesita valorar, use la verificación de imágenes de Fileverity y mantenga el contexto de la fuente junto al resultado; las condiciones de las comprobaciones gratuitas y del análisis de imágenes figuran en precios. Si la duda se refiere a una zona concreta de una fotografía, siga el método para detectar ediciones con IA en una foto.

Si su equipo recibe imágenes de forma recurrente, hable con ventas sobre su flujo: la API, el procesamiento por lotes y la implementación privada están disponibles a petición para clientes Enterprise. Los archivos se analizan en servidores operados por Entogo en Toronto (Canadá) y se eliminan al terminar el análisis; los detalles están en la página de seguridad.

Por Yang Zheng