Un detector de deepfakes puede asignar una puntuación a una imagen, un audio o un vídeo, pero esa cifra no es un certificado de autenticidad. Para interpretarla, busca la definición de la escala, el tipo de material con el que se evaluó y sus tasas de error. La procedencia y el contexto del archivo siguen siendo necesarios.
Qué significa realmente la puntuación de un detector de deepfakes
El resultado arrojado por un clasificador suele presentarse como un índice numérico entre 0 y 1, o como un porcentaje del 0 % al 100 %. En un entorno no técnico, es habitual asumir que un 80 % significa que el 80 % del archivo ha sido alterado, o que existe una seguridad del 80 % respecto a la falsedad de la pieza. Ambas deducciones son inexactas.
La puntuación refleja el cálculo de ese sistema concreto. No tiene por qué ser una probabilidad calibrada, y tampoco expresa qué porcentaje del archivo fue manipulado. Sin documentación y pruebas sobre archivos comparables, «80 %» solo indica que el detector marcó una señal alta según su propia escala.
Falsos positivos y falsos negativos: los límites de la inferencia
Todo clasificador automatizado opera bajo el riesgo constante de emitir diagnósticos erróneos. Estos fallos se dividen en dos categorías principales que condicionan la utilidad de la herramienta:
- Falsos positivos: un archivo no sintético queda marcado como tal. La calidad, compresión o edición del archivo pueden afectar a ciertos detectores; busca evaluaciones del producto con material parecido.
- Falsos negativos: un archivo sintético pasa sin ser marcado. Un método de generación distinto de los ejemplos de evaluación puede reducir la utilidad del detector.
El análisis de estas limitaciones técnicas y de la fragilidad de las aproximaciones forenses posteriores a la publicación está documentado en el estudio del NIST sobre enfoques técnicos frente al contenido sintético, donde se exponen las complejidades de confiar exclusivamente en la inferencia estadística.
Métodos de procedencia frente a detección heurística
Existe una diferencia entre inferir señales de manipulación a partir del contenido y validar declaraciones firmadas sobre su procedencia. La segunda opción depende de que alguien haya creado y conservado la credencial; tampoco garantiza que el historial esté completo.
En este ámbito, iniciativas de estándares abiertos desarrollan sistemas para adjuntar metadatos resistentes a la manipulación. Las especificaciones y el alcance funcional de este enfoque se describen en el documento técnico de C2PA sobre credenciales de contenido. Desde una perspectiva de análisis informativo, un resultado emitido por un software de detección estadística no sustituye la ausencia de credenciales de procedencia criptográfica, ni estas últimas implican por sí solas que el contenido deba considerarse automáticamente verídico sin evaluar quién firmó los datos.
Pasos prácticos para evaluar un archivo sospechoso
Para valorar un vídeo, audio o imagen sin depender ciegamente de una única puntuación automatizada, se sugiere seguir este procedimiento escalonado:
- Rastrear el contexto y la fuente primaria: antes de subir el archivo a otra herramienta, busca su origen y conserva la copia de mejor calidad que puedas obtener. Consulta el tratamiento de datos del detector si aparecen personas.
- Leer la documentación del clasificador: comprueba para qué formato y clase de manipulación fue evaluado. Dos puntuaciones de servicios distintos no se suman ni equivalen a dos pruebas independientes.
- Inspeccionar la presencia de metadatos o manifiestos: Compruebe si el archivo conserva información de procedencia estructurada que detalle el flujo de trabajo utilizado durante la toma o la edición.
- Verificar los hechos por medios independientes: Si el contenido muestra un suceso de alto impacto público, corrobore si existen tomas desde otros ángulos, testimonios presenciales directos o despachos de agencias informativas fiables.