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

Este artículo tiene una finalidad meramente informativa. No constituye asesoramiento legal ni una recomendación normativa, y no sustituye la opinión de un abogado o un responsable de cumplimiento cualificado.

Una foto de daño generada por IA no es una foto retocada de un producto real: es una imagen que un modelo de texto a imagen ha producido a partir de una simple descripción, sin que nunca haya existido una cámara ni un producto real detrás. Esa diferencia invierte la lógica habitual de detección: la búsqueda inversa de imágenes, la señal más eficaz contra una foto real manipulada, no encuentra nada con qué comparar, mientras que las señales más fiables contra una imagen sintética son la ausencia de una procedencia de captura auténtica, los artefactos propios de los modelos de generación y las puntuaciones de clasificadores de IA dedicados.

Por qué este problema es distinto de una foto trucada

Una foto de daño sintética se salta el paso del que depende todo fraude por retoque: partir de algo real. En España, este cambio ya se observa con casos concretos: según Xataka, consumidores están generando imágenes de productos aparentemente dañados con herramientas de IA para reclamar devoluciones íntegras sin que el artículo haya sufrido daño real alguno. Nuestro artículo sobre fotos de daño falsas y las señales de una retoque detalla las comprobaciones de clonado, compresión localizada y metadatos que desenmascaran una foto real modificada — comprobaciones que aquí no aplican, porque no existe una imagen original con la que comparar la imagen generada.

Una encuesta de Verisk citada en marzo de 2026 señala que el 99 % de las aseguradoras declara haberse encontrado ya con documentación de siniestros manipulada o alterada por IA, y el 98 % coincide en que las herramientas de edición y generación por IA están alimentando un aumento medible del fraude digital en seguros, según la cobertura de SAS sobre este giro hacia el fraude con imágenes sintéticas. En España, la aseguradora AXA llega a procesar hasta 30.000 documentos de siniestros al día, un volumen que, según reporta Yahoo Noticias, dificulta detectar manipulaciones sintéticas a gran escala sin herramientas automatizadas dedicadas.

Señal 1: nunca hubo una captura real — la procedencia falta o está fabricada

Una foto tomada por una cámara real incorpora cada vez más un manifiesto de tipo Content Credentials — un registro firmado del dispositivo o software que produjo la imagen —, manifiesto que en una imagen sintética está ausente, es genérico o está fabricado. La Coalition for Content Provenance and Authenticity (C2PA) es el estándar técnico detrás de este mecanismo: los smartphones recientes, junto con generadores importantes como Adobe Firefly o la herramienta de imágenes de ChatGPT/DALL-E de OpenAI, incorporan ya un manifiesto firmado que registra el origen de captura o generación. En virtud del artículo 50 del Reglamento europeo de IA, los proveedores de sistemas de IA que generan contenido de imagen sintética deben garantizar que sus salidas estén marcadas en un formato legible por máquina y detectables como generadas artificialmente — una obligación en vigor desde el 2 de agosto de 2026.

Queda una limitación operativa relevante: Midjourney y varios despliegues abiertos de Stable Diffusion todavía no firman todas sus salidas, y la mayoría de mensajerías y plataformas eliminan el manifiesto existente al volver a subir la imagen. La ausencia de un marcador no demuestra nada por sí sola, pero un manifiesto que identifica positivamente un generador de IA constituye una prueba casi definitiva, lo que convierte la verificación de procedencia en un primer filtro, no en una solución completa.

Señal 2: artefactos de generación que un modelo de difusión no puede evitar

Un generador de imágenes basado en difusión construye una escena a partir de ruido en lugar de captar la luz a través de un objetivo, y ese proceso deja patrones que una cámara no puede producir físicamente: texturas repetidas que no encajan correctamente en el borde de un tejido "rasgado", reflejos que no convergen en ninguna fuente de luz coherente, y un nivel de detalle superficial —costuras, grano, arañazos— que parece plausible a primera vista pero no resiste un examen a nivel de píxel. Trabajos académicos de referencia como el Visual Counter Turing Test documentan que las familias de generadores varían mucho en su capacidad de ocultar estas huellas, y que algunos modelos de difusión resultan notablemente más difíciles de detectar solo a partir del contenido de la imagen que otros.

Las señales específicas del daño agravan esta brecha: una pantalla "agrietada" o una costura "rota" generada por un modelo entrenado sobre todo con fotos de productos intactos suele representar la rotura con una simetría anómala o una textura que no coincide con el material circundante — una incoherencia que, paradójicamente, una retoque por clonado sobre una foto real produce con menos frecuencia.

Señal 3: no aparece en ningún sitio, y ese es precisamente el problema

La búsqueda inversa de imágenes es la mejor señal disponible contra una foto real reutilizada, y resulta casi inútil frente a una imagen totalmente sintética, porque una imagen generada nunca se publicó, indexó ni vinculó a un anuncio anterior en ningún sitio. Los equipos que confían en herramientas como Google Imágenes o TinEye como principal defensa —el enfoque que cubre nuestro artículo sobre fotos de siniestro duplicadas para pruebas reutilizadas— obtendrán cero coincidencias en una foto de daño sintética y podrían interpretarlo como una señal tranquilizadora, cuando un resultado sin coincidencias es exactamente igual de coherente con "recién generada por IA" que con "auténtica y nunca publicada".

Esta es la distinción operativa más clara entre ambos tipos de fraude: una foto real retocada se desenmascara demostrando que existía en otro sitio antes de la reclamación; una foto generada se desenmascara demostrando que nunca fue real en ningún sitio.

Señal 4: clasificadores de IA dedicados, puntuados por familia de generador

Los modelos de detección especializados —API comerciales como Sightengine y Hive son dos ejemplos ampliamente utilizados— devuelven una puntuación de probabilidad junto con una estimación del generador más probable, en lugar de una simple respuesta binaria genérica. Ese desglose por generador importa porque la precisión de detección varía mucho entre herramientas: un clasificador ajustado sobre salidas de DALL-E o Firefly no se traslada automáticamente a Midjourney ni a un modelo open source reentrenado, lo que impide leer una única puntuación de clasificador como un veredicto definitivo.

Se aplican dos límites prácticos: una recompresión, un cambio de tamaño o un retoque ligero tras la generación pueden reducir de forma medible la confianza de un clasificador sin eliminar todas las huellas subyacentes, y ningún benchmark público muestra que un detector comercial mantenga una precisión estable e independiente del generador frente a todas las herramientas principales a la vez, lo que explica por qué la puntuación de un clasificador es un elemento más del análisis, nunca un motivo de rechazo por sí sola.

Lo que ya aparece en siniestros y devoluciones

Un tercio de los consumidores admite que consideraría modificar digitalmente la imagen o el documento de una reclamación de seguro para reforzar su caso, y esa cifra sube al 55 % entre la Generación Z, según recoge Yahoo Noticias a partir de datos del sector asegurador. Un caso reportado por el medio jurídico brasileño ConJur describe una inspección de daños de un vehículo presentada íntegramente mediante imágenes y vídeo generados por IA, descubierta únicamente porque los metadatos del envío situaban al remitente en China en lugar de en la dirección registrada del vehículo — un recordatorio de que la procedencia y la geolocalización de los metadatos a menudo revelan lo que el análisis de píxeles por sí solo no detecta.

Lo que realmente preguntan los equipos de siniestros y atención al cliente

Los debates entre especialistas antifraude en foros del sector se centran sobre todo en umbrales operativos, lejos del discurso de marketing sobre la "detección al 100 %".

"Si nuestro detector marca una imagen como generada por IA, ¿basta eso solo para rechazar el expediente?" Ninguna herramienta debería asumir sola esa responsabilidad. Un aviso del clasificador documenta un motivo para una revisión humana —idealmente junto con la solicitud de fotos desde otros ángulos, un objeto de referencia en el encuadre o una videollamada en directo—, no un rechazo automático, sobre todo porque el rendimiento de los detectores varía mucho según el generador.

"¿Puede una foto real de móvil marcarse como generada por IA solo porque una plataforma la recomprimió?" Ocurre, y por eso mismo conviene leer las puntuaciones del clasificador junto con las señales de procedencia y contenido, y no fiarse de ellas por separado; una recompresión intensa puede degradar en ambos sentidos las señales a nivel de píxel de las que depende un clasificador.

Integrar estas señales en un flujo de revisión, no en un veredicto único

Ninguna de estas señales debería provocar por sí sola un rechazo automático: un expediente sin señal detectada sigue su tramitación estándar, una señal aislada —manifiesto ausente, puntuación de clasificador en el límite— se deriva a una revisión humana documentada, y varias señales convergentes justifican solicitar pruebas adicionales o una inspección en directo antes de cualquier decisión. Nuestro artículo sobre la revisión de fotos de siniestros a gran escala detalla esta estructura de tres niveles, aplicable tanto a devoluciones de ecommerce como a siniestros de seguros. Para una visión general de los controles documentales relacionados, consulta nuestra guía de verificación de documentos.

Preguntas frecuentes

¿Puede la búsqueda inversa de imágenes desenmascarar una foto de daño generada por IA?

Rara vez. La búsqueda inversa funciona encontrando una publicación anterior de la misma imagen, y una foto generada nunca se publicó en ningún sitio antes de la reclamación; un resultado sin coincidencias no demuestra nada en ningún sentido.

¿La ausencia de un manifiesto Content Credentials demuestra que una foto es auténtica?

No. Varios generadores importantes, entre ellos Midjourney y algunos despliegues open source de Stable Diffusion, aún no firman todas sus salidas, y la mayoría de las plataformas eliminan los manifiestos al subir la imagen, sea cual sea su origen.

¿Son los detectores comerciales de imágenes IA lo bastante fiables para rechazar un expediente automáticamente?

No por sí solos. La precisión de detección varía según el generador y se degrada tras la recompresión o el retoque ligero; un aviso debería activar una revisión humana documentada, nunca un rechazo automático.

¿Una foto de daño generada por IA siempre resulta más pulida que una real?

No. Los renderizados específicos de daños suelen mostrar una simetría anómala o incoherencias de textura alrededor de la zona "dañada", lo que puede hacerla menos convincente que una foto real de móvil, no más.

¿Las devoluciones de ecommerce y los siniestros de seguros necesitan umbrales de detección de IA distintos?

Sí, en la práctica. Los perfiles de fotos legítimas varían según el contexto, por lo que el umbral de revisión adecuado para una devolución de electrónica no tiene por qué serlo para un siniestro de hogar.

---

Las señales descritas aquí se suman a los controles de detección de retoque presentados en nuestro artículo sobre fotos de daño falsas, combinando coherencia estructural, procedencia de metadatos y, cuando la configuración del cliente lo permite, detección de contenido generado por IA como complemento a los controles existentes — nunca un veredicto autónomo, nunca un sustituto de una revisión documentada. Ningún método alcanza una detección del 100 %. CheckFile integra estos controles en los flujos de devoluciones y siniestros, tanto para plataformas de ecommerce como para aseguradoras; consulta nuestra página de seguridad o nuestras tarifas para más detalles.