Documentos generados por IA en México: cómo detectar artefactos visuales

Un documento generado por IA se delata por tres familias de artefactos: una textura de fondo demasiado regular allí donde un papel o un escaneo reales muestran un grano irregular; una física de la luz incoherente, con sombras que apuntan en direcciones contradictorias; y una discrepancia entre lo que el ojo lee en un campo visible y lo codificado en una zona de lectura mecánica (MRZ, código de barras, QR). Ninguno de estos tres signos se percibe en una revisión visual rápida, pero los tres se vuelven detectables en cuanto se sabe dónde buscarlos.

Este artículo se ofrece con fines informativos y no constituye asesoría legal ni normativa.

Qué es un artefacto visual de generación IA en un documento

Un documento generado por IA pertenece a una de dos categorías. Los documentos totalmente sintéticos se producen desde cero mediante un modelo generativo —una GAN o un modelo de difusión— entrenado para reproducir la apariencia de un tipo de documento (credencial del INE, comprobante de domicilio, recibo de nómina, estado de cuenta), sin partir de un ejemplar real. Los documentos parcialmente modificados parten de un escaneo auténtico donde algunos campos —nombre, monto, fecha, fotografía— se sustituyen por contenido generado, técnica más difícil de detectar porque conserva los elementos de seguridad reales del resto del documento.

Un artefacto visual, en sentido forense, es una huella que deja el propio proceso de generación, no una manipulación manual posterior. Un modelo de difusión construye una imagen mediante eliminación progresiva de ruido a partir de una señal aleatoria: ese proceso produce texturas cuya distribución de frecuencias difiere de forma medible de la de una fotografía o un escaneo ópticos reales, incluso cuando la imagen parece perfecta a simple vista (arXiv, Beyond Natural Images: Rethinking AI-Generated Image Detection in Documents).

La detección de contenidos sintéticos se añade como complemento a los controles estructurales y de metadatos existentes, en forma de capa adicional de señales de generación IA desplegada según la configuración del cliente y el perfil de riesgo sectorial — un enfoque que amplía lo tratado en nuestra guía sobre detección de deepfakes en documentos, centrada en el panorama más amplio de los documentos de identidad sintéticos.

Por qué crece este vector de fraude en México y a quién apunta

El costo de producir un documento falso convincente ha caído con la generalización de herramientas generativas, mientras que la detección manual sigue siendo estructuralmente lenta. Según el estudio de referencia de la Association of Certified Fraud Examiners, la detección puramente manual solo captura el 37 % de los casos de fraude, con un retraso medio de 87 días entre la comisión del fraude y su descubrimiento (ACFE, Report to the Nations 2024). Ese desfase entre velocidad de producción y de detección es el punto ciego que explota un documento sintético bien construido.

En México, la CONDUSEF emitió una alerta pública advirtiendo que delincuentes usan de forma ilegal herramientas de IA —incluida la manipulación de video y audio— junto con la identidad de personajes públicos y creadores de contenido financiero, para dar credibilidad a anuncios falsos mediante perfiles "verificados" y ofertas de inversión no solicitadas. La propia CONDUSEF detalló además el modus operandi de los suplantadores de identidad: suplantación y comprobantes falsos son caras del mismo problema, convencer a quien evalúa de que un contenido es auténtico cuando no lo es.

Los sectores más expuestos en México tramitan grandes volúmenes de comprobantes a distancia: financiamiento al consumo, seguros, arrendamiento de vivienda y reclutamiento. En cada flujo, quien revisa el expediente dispone de segundos para validar un documento que a un modelo generativo le tomó apenas decenas de segundos producir.

Las tres familias de artefactos, explicadas técnicamente

Un análisis forense serio cruza tres categorías de señales, ordenadas aquí de la más estadística a la más estructural.

Textura y ruido estadístico. Un escaneo o una fotografía de un documento auténtico llevan un ruido de sensor y un grano de impresión aleatorios, ligados físicamente al soporte. Un documento producido por un modelo de difusión genera en cambio texturas de fondo —guilloché, trama de seguridad, marca de agua— estadísticamente demasiado regulares: los patrones se repiten con una periodicidad que el ojo no percibe pero que un análisis de frecuencias detecta de inmediato. Algunos modelos recientes sobrecorrigen y añaden ruido artificial uniforme, que no varía según la zona como sí lo haría el grano de un escáner real.

Física de la iluminación y geometría de las sombras. Una fotografía auténtica de un documento apoyado sobre una superficie respeta una única fuente de luz coherente: las sombras de un doblez o un relieve siguen la misma dirección e intensidad. Los modelos generativos aún tienen dificultades para mantener esa coherencia en toda la imagen, sobre todo en zonas con relieve —sellos, hologramas simulados, firmas— donde sombras contradictorias o la ausencia de sombra proyectada delatan la síntesis.

Coherencia entre campo visible y campo codificado. En documentos estructurados —una credencial del INE con código de barras bidimensional, un CFDI con código QR, un pasaporte con zona MRZ— la información debe coincidir entre lo leído visualmente y lo codificado. Un modelo generativo entrenado en el aspecto visual de un documento rara vez logra generar un dígito de control matemáticamente válido, o produce una fecha visible que no coincide con la codificada. Es una señal casi imposible de falsificar sin conocer el algoritmo exacto, uno de los indicios más difíciles de imitar.

Tabla comparativa: documento auténtico frente a señales de generación IA

Un único signo aislado produce demasiados falsos positivos para uso operativo; es el cruce de varias señales independientes lo que hace la detección accionable, principio desarrollado en nuestro artículo sobre análisis de nivel de error (ELA), técnica complementaria centrada en los artefactos de compresión.

Lo que preguntan los equipos de cumplimiento en foros especializados

En foros de cumplimiento es habitual preguntar si un documento que "se ve perfecto" puede ser un falso generado por IA. La respuesta es sí: la perfección visual ya no tranquiliza, porque un modelo de difusión moderno la produce por defecto. También se pregunta si un documento retocado y uno íntegramente generado requieren métodos distintos: sí, porque el retoque deja artefactos de compresión localizados —terreno del análisis ELA—, mientras que la generación íntegra deja artefactos estadísticos repartidos por toda la imagen.

Una cuestión más operativa es cómo gestionar esto a gran volumen sin que una persona examine cada documento con lupa. La respuesta pasa por automatizar una primera pasada de detección sobre los documentos entrantes y reservar la revisión humana para los expedientes que esa pasada señala como sospechosos.

Marco regulatorio mexicano: prevención de lavado de dinero, protección de datos y Código Penal Federal

México regula la prevención de operaciones con recursos de procedencia ilícita mediante la LFPIORPI (Ley Federal para la Prevención e Identificación de Operaciones con Recursos de Procedencia Ilícita), supervisada por la UIF (Unidad de Inteligencia Financiera), adscrita a Hacienda. Las entidades sujetas deben reportar a la UIF cuando persista duda razonable sobre la autenticidad de un documento, de forma análoga al SEPBLAC español. La CNBV (Comisión Nacional Bancaria y de Valores) supervisa, por su parte, a la banca múltiple y su verificación de identidad de clientes.

La identificación de personas físicas en México se apoya en tres documentos con funciones distintas: la credencial para votar del INE, identificación oficial de facto; el RFC (Registro Federal de Contribuyentes), asignado por el SAT e indispensable para cualquier relación fiscal; y la CURP (Clave Única de Registro de Población), identificador nacional sin equivalente directo en España, presente en casi cualquier trámite oficial. Un expediente que solo verifica el INE sin cruzar la CURP y el RFC deja huecos que un documento generado por IA puede explotar, porque replicar de forma coherente los tres identificadores a la vez es más difícil que replicar uno solo.

El tratamiento de datos personales en estos documentos está sujeto a la LFPDPPP, supervisada por el INAI, equivalente funcional de la AEPD española. En el plano penal, la falsificación de documentos está tipificada en el Código Penal Federal, sin perjuicio de los códigos penales estatales aplicables según el fuero del caso. Que el documento se haya producido con un modelo generativo en vez de con un editor de imagen no altera esta calificación: la ley sanciona la alteración de la verdad del documento, no la herramienta empleada.

México combina un marco federal con competencias estatales relevantes: la función notarial, por ejemplo, se rige por leyes del notariado que varían de una entidad federativa a otra. Esta fragmentación no afecta a los artefactos de generación IA en sí —un fenómeno técnico independiente de la jurisdicción— pero conviene tenerla presente al diseñar un flujo de verificación.

Una plataforma como CheckFile permite a los equipos de cumplimiento señalar indicios de generación por IA como complemento a sus controles, sin sustituir el criterio del analista. Nuestra página de detección de deepfakes e IA detalla esta capa, aplicable a flujos de KYC bancario y a financiamiento y arrendamiento; la página de seguridad describe las medidas técnicas subyacentes.

Preguntas frecuentes

¿Cómo saber si un documento fue 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: conviene un análisis que cruce textura, metadatos y coherencia entre campos.

¿Un documento generado por IA siempre tiene 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, 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 escaneo auténtico con un campo modificado, 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 MRZ de un pasaporte o el QR de un CFDI realmente delatar un documento falso generado por IA?

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

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

Más allá de la pérdida económica, la entidad se expone a un incumplimiento de sus obligaciones bajo la LFPIORPI si la duda documental no derivó en un reporte a la UIF, con independencia de la responsabilidad penal de quien fabricó el documento conforme al Código Penal Federal.

En complemento de sus controles actuales

Los artefactos visuales de generación IA no sustituyen a las señales tradicionales de fraude documental —metadatos, coherencia del expediente, verificación en origen—, sino que se suman como una capa adicional, útil frente a documentos sintéticos sin rastro de retoque clásico. Consulte nuestra página de detección de deepfakes e IA o compare los planes y precios, o revise nuestra guía de verificación de documentos.