¿Qué es un «fantasma JPEG»?

Un fantasma JPEG es el mínimo local de diferencia cuadrática media que se obtiene al volver a guardar una imagen sospechosa en varios niveles de calidad JPEG. Ese mínimo aparece precisamente en la calidad de compresión original de una región determinada, revelando que se comprimió una vez antes de integrarse en el documento final.

¿El análisis de doble compresión detecta todos los montajes?

No. No funciona en formatos sin pérdida (PDF nativo, PNG, TIFF) y pierde sensibilidad cuando las dos compresiones sucesivas usan calidades muy similares. Tampoco se aplica a documentos generados por IA, que nunca tuvieron una compresión JPEG original que detectar.

¿Puede un documento escaneado dos veces escapar a esta detección?

Volver a escanear un documento reduce la amplitud del fantasma JPEG visual, pero suele dejar una huella estadística en el histograma de coeficientes DCT (el efecto de doble cuantización), detectable con un análisis de grano fino.

¿Qué herramientas gratuitas permiten este análisis?

JPEGsnoop, de código abierto, extrae las tablas de cuantización y señala incoherencias entre segmentos de una imagen. Las plataformas comerciales de verificación documental suelen integrar la detección de fantasma JPEG y el análisis DQ en un flujo automatizado más amplio.

¿Cómo se combina el análisis de doble compresión con el ELA?

El ELA detecta ediciones recientes que no han sido recomprimidas; el análisis de doble compresión detecta documentos que pasaron por varios ciclos de compresión, incluidos los diseñados para aplanar la señal ELA. Usadas juntas, cubren un espectro de fraude más amplio que cada una por separado.

¿Cómo saber si un documento ha sido generado por IA sin herramientas especializadas?

Busque una textura de fondo demasiado uniforme, sombras incoherentes en sellos o relieves, y texto fino borroso al ampliar la imagen. Estos indicios por sí solos son insuficientes: un uso operativo fiable requiere un análisis forense que cruce textura, metadatos y coherencia entre campos.

¿Un documento generado por IA tiene siempre defectos visibles?

No, y eso hace peligroso este vector: los modelos de difusión recientes producen imágenes muy convincentes. Los artefactos detectables suelen situarse en el plano estadístico —distribución del ruido, validez de la MRZ— más que en un fallo visual evidente.

¿Qué diferencia hay entre un documento retocado y uno íntegramente generado por IA?

Un documento retocado parte de un escaneado auténtico con un campo modificado mediante un editor convencional, dejando artefactos de compresión localizados en esa zona. Uno íntegramente generado nunca existió físicamente y presenta artefactos estadísticos repartidos por toda la imagen.

¿Puede la zona MRZ realmente delatar un documento falso generado por IA?

Sí, es una de las señales más fiables. Un modelo generativo entrenado en la apariencia visual de un documento suele fallar al producir un dígito de control MRZ matemáticamente válido, o genera una incoherencia entre el dato visible y el codificado.

¿Qué riesgo asume una empresa que acepta sin control un documento generado por IA en un expediente de crédito?

Más allá del riesgo de pérdida económica, la entidad se expone a un incumplimiento de sus obligaciones de vigilancia en prevención del blanqueo si la duda documental no derivó en una comunicación al SEPBLAC, con independencia de la responsabilidad penal de quien fabricó el documento.

Todos los artículos

Categoría

Guía

Guías prácticas y checklists para sus procesos documentales.

Guía

Doble compresión JPEG: cómo detectar documentos falsificados

Documentos generados por IA: cómo detectar artefactos visuales

Ataques adversarios contra la IA de detección de fraude

C2PA y marcas de agua de IA: por qué no bastan contra el fraude

Cómo detectar un certificado de firma electrónica falso

La foto parece real: por qué el ojo humano no es un control

Foto de daño generada por IA: la nueva amenaza para los reembolsos

Foto de daño falsa: las señales que revelan una edición

Iluminación, ángulo y encuadre: cómo se comporta una foto de daño real

Verificación de marca de tiempo en fotos para disputas de reembolso

Checklist de pruebas fotográficas para atención al cliente

Búsqueda inversa de imágenes en siniestros: dónde deja de funcionar

Captura de pantalla de una foto: por qué rompe la cadena de prueba

Fotos de siniestro duplicadas: cómo detectar pruebas recicladas

Metadatos EXIF de una foto de cliente: ¿prueba o simple indicio?

Revisión de fotos de siniestros a gran escala: señales, no veredictos

Captura de foto in-app vs subir archivo: riesgo de fraude

Prueba fotográfica en reclamaciones e-commerce: guía completa

Ataque de recaptura de pantalla: cómo detectar documentos falsos

Cómo detectar una firma falsificada o copiada y pegada en un documento

Inyección de prompt en la verificación de documentos con IA

Metadatos EXIF: cómo detectar documentos falsificados en fotos

Detectar hologramas falsos en documentos de identidad

Capa de texto oculta en PDF: la brecha que explota el fraude

Captura de pago falsa: cómo detectar el fraude antes de enviar

Detección de sellos falsificados en documentos

Fingerprinting documental: detectar fraude en serie entre expedientes

Verificar el código QR de un documento oficial: guía anti-fraude

Análisis tipográfico: cómo detectar documentos falsificados

Checklist: señales de que un documento fue generado o alterado por IA

Documentos falsos con LLM y ChatGPT: la nueva amenaza de fraude

Cómo la IA genera documentos falsos — y cómo detectarlos

Detección de vivacidad vs detección de fraude documental: diferencias clave

Análisis de nivel de error (ELA): detectar imágenes falsificadas en documentos

Detectar manipulación de metadatos PDF: guía de verificación documental

Formar a su equipo para detectar documentos generados por IA

Suscripción seguro hogar: detectar documentos falsos en 2026

Comparación herramientas análisis forense documental: detectar manipulación IA

Detección de Deepfakes en Documentos: Guía Completa 2026

Detección facturas falsas IA: guía para equipos de finanzas

Detección de fraude documental con IA: tipos, métodos y perspectivas 2026

Precios de CheckFile: guía completa de costes y ROI

CheckFile vs Veriff: comparación completa 2026

CheckFile vs Jumio: comparación completa 2026

CheckFile vs Sumsub: comparación completa 2026

CheckFile vs Onfido: comparación completa 2026

Know Your Supplier (KYS): checklist de verificación de proveedores

Cómo verificar licencias comerciales y permisos en línea (2026)

Vendor due diligence checklist: guía de evaluación de proveedores paso a paso

Verificación de factura de servicios: prueba de domicilio

Verificación de edad online: métodos, tecnología y cumplimiento

Verificación de empleo: comprobar el historial laboral

Documentos background check: qué necesitan los empleadores para verificar

CheckFile vs IDology (GBG): comparación completa 2026

Cumplimiento de privacidad de datos más allá del RGPD

Checklist de auditoría de cumplimiento: preparar

Archivo electrónico: guía práctica

Soluciones de verificación de identidad: métodos

Precios de soluciones KYC: costes y ROI

Criterios de selección de una solución de verificación documental: cuadro de evaluación

CheckFile vs Trulioo: comparación completa 2026

Antifraude documental: buenas prácticas

Facturacion electronica: guia de cumplimiento por pais

Onboarding de clientes: fricción y cumplimiento

Guía práctica de verificación de documentos en 2026

Como automatizar flujos de verificacion documental paso

Conservacion de documentos: plazos por sector

KYB: verificación de empresas

KYC Bancos vs Fintechs: Comparacion de Requisitos

Debida diligencia del cliente: checklist CDD por sector

DNIe y Cl@ve: identidad digital en España

API de validación documental: guía para desarrolladores

Mejor software de verificación documental 2026: guía de compra completa

Documentos por entidad financiadora: checklist completo

Validación documental con IA: guía de compra

Tarificación de la verificación documental: costes, modelos y ROI