Mejores herramientas de detección de deepfakes: 8 criterios a considerar

Última actualización: septiembre de 2026

Las mejores herramientas de detección de deepfakes para una institución financiera son aquellas que detectan los ataques que ya ha sufrido, sin perjudicar a los clientes reales que desea conservar. Eso significa detectar videos inyectados así como falsificaciones mostradas ante la cámara, verificar documentos y voces además de rostros, y explicar cada resultado de manera que un analista pueda reportarlo. La forma más confiable de diferenciar las herramientas es probarlas con sus propios ataques confirmados y con sus clientes reales antes de firmar.

Esta guía establece ocho criterios para elegir la detección de deepfakes, cada uno con las preguntas que debe hacerle a un proveedor y cómo se ve una respuesta poco convincente. Concluye con una prueba que puede realizar con sus propios casos y una tabla resumen de los ocho criterios.

Resumen rápido

• Pruebe la detección de deepfakes con ataques que su institución ya haya confirmado y con sesiones de clientes reales antes de comparar características.

• Una herramienta debe detectar ataques de inyección, donde el video falso esquiva la cámara, así como ataques de presentación, donde se muestra algo falso ante ella.

• Las pruebas de vida, de documentos y de voz son problemas distintos; un proveedor que destaca en uno puede ser débil en otro.

• El resultado de una detección debe ser explicable y reportable: la alerta de FinCEN sobre deepfakes de noviembre de 2024 solicita a las instituciones que utilicen el término clave FIN-2024-DEEPFAKEFRAUD en los reportes de actividad sospechosa, el cual sigue vigente a fecha de septiembre de 2026.

• La detección funciona mejor como una señal más dentro de la decisión, junto con el dispositivo, el comportamiento y el historial de la solicitud, enviando los casos dudosos a revisión humana.

La respuesta corta: cómo debe elegir una institución financiera la detección de deepfakes

Para elegir la detección de deepfakes, una institución financiera debe procesar sus propios ataques confirmados y una muestra de sesiones de clientes reales a través de cada herramienta candidata, para luego comparar qué detectó cada una, qué marcó erróneamente y si su explicación serviría para un reporte de actividad sospechosa. Los ataques que vale la pena probar incluyen selfies generadas, videos inyectados y documentos generados o editados, así como fotos mostradas ante la cámara. Una herramienta que funciona bien con las demostraciones de un proveedor puede fallar con los ataques reales que recibe su institución.

Ningún proveedor ha resuelto el problema por completo. Un vicepresidente de operaciones de una empresa de servicios financieros describió los deepfakes de esta manera: "Es un problema que sé que debo resolver, pero no estoy seguro de que la industria lo haya solucionado del todo". Por lo tanto, una evaluación útil analiza qué tan bien responde una herramienta a sus casos actuales y cómo se mantendrá al día, en lugar de si detiene los deepfakes por completo.

Oscilar escribió esta lista, pero Oscilar no detecta deepfakes, no realiza pruebas de vida ni verifica documentos por sí misma. Oscilar coordina a los proveedores de detección que sí lo hacen y toma la decisión sobre sus resultados, combinándolos con otras señales. Los criterios a continuación no mencionan proveedores ni productos, y en una sección posterior se aplican estos mismos criterios a Oscilar.

Para una defensa más amplia, que va desde bloquear registros masivos hasta detener la apropiación de cuentas, consulte deepfakes e identidades sintéticas en el sector financiero. Esta guía cubre una parte específica de esa defensa: elegir la herramienta de detección.

Los ataques de deepfake que las instituciones financieras ven realmente

Las instituciones financieras se enfrentan a deepfakes en seis modalidades: selfies generadas y suplantación de rostros (face swaps), fotos o pantallas mostradas ante la cámara, video inyectado que esquiva la cámara, documentos generados o editados, voces clonadas en llamadas al centro de contacto y personas reales guiadas por terceros durante la verificación. La mayoría de estos ocurren durante el registro de usuarios o en controles de seguridad adicionales, donde la institución solicita más pruebas. Una herramienta que solo cubre la primera modalidad solo atiende una parte del riesgo.

FinCEN, la unidad de delitos financieros del Tesoro de EE. UU., emitió la Alerta FIN-2024-Alert004 el 13 de noviembre de 2024 sobre esquemas de fraude que utilizan deepfakes dirigidos a instituciones financieras. La alerta detalla señales de alerta, como fotos de clientes que no coinciden con otra información de identidad, documentos de identidad incongruentes entre sí y el uso de complementos de cámara web de terceros durante la verificación en vivo. A fecha de septiembre de 2026, la lista de términos clave recomendados por FinCEN sigue incluyendo esta alerta.

La tabla asocia cada ataque con la verificación que necesita y con las señales externas que ayudan a detectarlo.

La exposición varía según la institución. Un gerente de operaciones de cumplimiento en una fintech de infraestructura de pagos comentó: "Hemos visto pasar algunas selfies creadas con IA". Por su parte, un gerente de alianzas en una fintech de banca para empresas señaló que las selfies de IA han sido notorias durante el último año, son difíciles de detectar y suelen enviarse a revisión manual.

Algunos equipos detectan primero los documentos. Un oficial sénior de cumplimiento de prevención de lavado de dinero (AML) en una fintech de dinero electrónico indicó que los documentos de identidad no han sido un problema hasta ahora, pero que ya han visto "documentos, acuerdos y facturas" falsificados en un par de casos. Otros apenas han visto incidentes: un gerente sénior de estrategia contra el fraude en una empresa de transferencias de dinero comentó que los deepfakes "no están en nuestro radar" porque el equipo no se ha enfrentado a ellos todavía, que ellos sepan. Esa diferencia es el motivo para realizar pruebas con sus propios ataques en lugar de usar una lista general.

Los ocho criterios y cómo utilizarlos

Utilice los ocho criterios siguientes como un plan de pruebas y no como una simple lista de verificación: para cada uno, compare la respuesta del proveedor con los ataques que su institución ya ha detectado y con los clientes reales que desea aprobar. Cada criterio tiene tres partes: qué es, qué preguntarle al proveedor y cómo se ve una respuesta poco convincente. Una herramienta puede ser fuerte en algunos criterios y débil en otros, por lo que debe evaluarlos por separado.

Lo que promete el sitio web de un proveedor es solo el comienzo de la evaluación, no el final. Un director sénior de gestión de riesgos de fraude de una empresa de pagos lo expresó con claridad: "Luego los pones a prueba y te preguntas: bueno, ¿qué es lo que hacen realmente?". Los criterios están redactados para que cada pregunta pueda responderse con el resultado de una prueba.

1. Detecta video inyectado, no solo falsificaciones mostradas ante la cámara

Una herramienta de detección de deepfakes debe capturar ataques de inyección, en los que se introduce video falso en la sesión de verificación sin pasar por una cámara real, así como ataques de presentación, en los que se muestra algo falso directamente a la cámara. Ambos necesitan defensas distintas. Una herramienta diseñada solo para analizar lo que ve la cámara puede dar por válido un video inyectado que se ve perfecto, porque la cámara nunca lo captó en el mundo real.

Qué es. Un ataque de presentación muestra una foto impresa, una pantalla o una máscara ante una cámara real. Un ataque de inyección reemplaza la transmisión de la cámara por completo, a menudo mediante una cámara virtual o un complemento del navegador, de modo que el proceso de verificación recibe un video ya preparado. La alerta de FinCEN de 2024 señala el uso de complementos de cámara web de terceros durante la verificación en vivo como una señal de alerta, junto con los intentos de cambiar el método de comunicación alegando problemas técnicos.

Qué preguntar al proveedor. Pregunte cómo distingue la herramienta una señal de cámara real de una inyectada, y qué partes de esa verificación se ejecutan en el dispositivo y cuáles en la imagen subida. Pregunte contra qué métodos de inyección realiza pruebas el proveedor y con qué frecuencia cambia esa lista. Solicite los resultados de los ataques de presentación y de inyección por separado, no agrupados en una sola cifra.

Cómo se ve una respuesta poco convincente. Una respuesta débil es la que trata la prueba de vida (liveness) como la única defensa. Un gerente de políticas de riesgo de un prestamista digital describió casos de solicitantes cuyo rostro coincidía con el registro de identidad nacional y pasaban la prueba de vida simplemente sosteniendo una fotografía inclinada frente a la cámara. Una verificación que da por buena una foto sostenida con la mano no detecta ninguno de los dos tipos de ataque.

Superar la prueba de vida tampoco demuestra la identidad de alguien. Un líder de riesgos de un mercado en línea (que es una plataforma comercial y no una institución financiera) describió a personas que pasan la verificación de identidad, una entrevista en vivo y las pruebas de vida, pero que no son quienes dicen ser. La prueba de vida responde si hay una persona real presente; otra parte de la decisión debe responder si esa persona es realmente el solicitante.

2. Su prueba de vida es algo que sus clientes reales pueden superar

La prueba de vida de una herramienta de detección de deepfakes debe detener los rostros falsos pero permitir el acceso de los clientes reales al primer intento, y debe usarse donde el riesgo lo justifique, no con todos los usuarios. Una prueba de vida que falla con clientes legítimos traslada el costo de las pérdidas por fraude a las solicitudes abandonadas. La pregunta correcta es qué método de prueba de vida se ejecuta, para quién y con qué nivel de dificultad para el cliente real.

Qué es. La prueba de vida pasiva analiza una sola captura, como una selfie o un video corto, sin pedirle al cliente que haga nada más. La prueba de vida activa le pide al cliente que reaccione, por ejemplo, girando la cabeza o siguiendo una indicación en la pantalla. Las pruebas pasivas añaden menos fricción, mientras que las activas ofrecen más elementos de análisis a la herramienta; muchas opciones combinan ambas según el nivel de riesgo.

Qué preguntar al proveedor. Pregunte qué método utiliza la herramienta por defecto, si puede cambiar de método según el nivel de riesgo y con qué frecuencia fallan los clientes reales en el primer intento en su propia prueba. Pregunte cómo funciona la verificación en teléfonos antiguos, con poca luz y con clientes con necesidades de accesibilidad. Pregunte qué sucede tras un fallo: si hay un nuevo intento, una verificación distinta o se pasa a un agente humano.

Cómo se ve una respuesta poco convincente. Una respuesta débil ofrece un único paso de prueba de vida para todos los solicitantes. Un líder de riesgos de una entidad de crédito en puntos de venta que está migrando su negocio al entorno digital comentó que su único control contra el fraude había sido una prueba de vida, y que para un flujo en línea donde la fluidez importa, los datos biométricos por sí solos no parecían el camino correcto. Una herramienta que solo actúa como un filtro rígido para todos obliga a la institución a elegir entre seguridad y experiencia de usuario.

El aumento de los controles según el riesgo funciona en ambas direcciones. Un director sénior de análisis de fraude en una entidad de préstamos de consumo comentó: "Creo que si pudiéramos identificar solicitudes de muy bajo riesgo para reducir la fricción desde el punto de vista de la autenticación, eso nos ayudaría". El responsable de riesgo de fraude de tarjetas en otra entidad asumió la otra cara de la moneda: "Habrá ocasiones en las que inevitablemente tendremos que exigir más controles a clientes reales".

Por lo tanto, este control adicional debe ser fácil de completar. Un director sénior de gestión de riesgos de fraude de una empresa de pagos describió el objetivo como una verificación que sea integrada en lugar de sin fricciones, es decir, fácil de superar para el cliente aunque añada un paso. Someter a cada solicitante a todas las comprobaciones también tiene un costo: en una plataforma de préstamos, los solicitantes que no entraban en la vía rápida tenían que pasar por todas las páginas de verificación incluso cuando ya se tenían los datos para decidir, lo que provocó que muchos abandonaran el proceso.

3. Cubre documentos, no solo rostros

Una herramienta de detección de deepfakes para una institución financiera debe verificar tanto documentos como rostros, ya que los documentos de identidad generados, los estados de cuenta editados y los documentos comerciales falsificados aparecen ahora con tanta frecuencia como las selfies falsas en algunas líneas de negocio. Los documentos suelen solicitarse en un control adicional, cuando la institución pide más pruebas. Si el documento de ese control es falso, ahí es donde el ataque tiene éxito.

Qué es. Los deepfakes de documentos incluyen licencias de conducir y pasaportes generados, estados de cuenta y recibos de nómina editados, y registros comerciales falsos, como actas de constitución. Un gerente de políticas de riesgo de un prestamista digital comentó: "No puedes diferenciar entre lo falso y lo original". Un vicepresidente de mitigación de riesgos y control de calidad de un prestamista hipotecario señaló el fraude en los estados de cuenta bancarios como uno de los mayores problemas de su equipo: "Están mejorando gracias a la IA".

Qué preguntar al proveedor. Pregunte qué tipos de documentos verifica la herramienta y si esto incluye documentos de respaldo como estados de cuenta y documentación comercial, o solo documentos de identidad. Pregunte cómo detecta un documento generado o editado más allá de compararlo con una plantilla conocida. Pregunte si coteja el documento con el resto de la solicitud, como el nombre, la dirección y la fecha de nacimiento ya proporcionados.

Cómo se ve una respuesta poco convincente. Una respuesta débil depende únicamente de la comparación de plantillas. Un gerente de fraude de una empresa de telecomunicaciones, fuera de los servicios financieros pero con el mismo problema, señaló que el negocio aún depende de los documentos presentados y que "no puedo seguir dependiendo de las plantillas". Los documentos generados están diseñados precisamente para ajustarse a la plantilla.

La revisión humana detecta algunos de estos casos y pasa por alto otros. Un ejecutivo de una entidad de refinanciamiento de vehículos describió una licencia generada por IA que se envió con una solicitud: "nuestros ojos humanos la detectaron, pero nuestra tecnología debe detectar eso por ellos". Un vicepresidente sénior de estrategia contra delitos financieros de un gran bank regional hizo la pregunta que todo comprador de esta categoría debería plantear a un proveedor sobre la documentación comercial: "¿Tienen alguna IA que la analice y determine si fue falsificada?".

El control adicional en sí mismo es parte del riesgo. Un vicepresidente de operaciones de una empresa de servicios financieros describió el diseño que comparten muchas instituciones: "Si no estamos seguros, simplemente le pedimos un escaneo de su identificación". Cuando el escaneo de la identificación es el recurso para cada caso dudoso, una herramienta que no puede detectar una identificación generada debilita todo el proceso.

4. Cubre la voz, si su centro de contacto es una vía de acceso

Una herramienta de detección de deepfakes debe cubrir la voz si los clientes pueden restablecer credenciales, transferir dinero o cambiar detalles de la cuenta por teléfono, ya que una voz clonada es una vía de acceso a la cuenta que esquiva cualquier control de registro. La detección de voz es un problema más complejo que el de las imágenes. Una institución para la que el centro de contacto sea un canal real debe probar la detección de voz por separado y no dar por sentado que un proveedor de detección de rostros la cubre.

Qué es. Un deepfake de voz es un discurso sintético o clonado que se utiliza para suplantar a un cliente en una llamada en vivo o en un mensaje grabado. Un asesor de fraude de la industria destacó cuánto trabajo se ha dedicado a detectar imágenes falsas y añadió: "En mi opinión, la biometría de voz es aún más difícil". Algunas instituciones ya están creando programas para ello: un vicepresidente de autenticación empresarial y fraude de una cooperativa de crédito comentó: "Estamos lanzando un programa de biometría de voz en nuestro centro de contacto para combatir el fraude".

Qué preguntar al proveedor. Pregunte si la herramienta analiza llamadas en vivo o solo grabaciones, y con qué rapidez ofrece un resultado durante una llamada. Pregunte con qué se asocia el resultado de la voz, como el dispositivo, el número de teléfono y el historial de la cuenta. Un arquitecto de negocios de una gestora de activos planteó una variante de esta pregunta directamente: si la biometría de voz podría funcionar junto con el reconocimiento del dispositivo.

Cómo se ve una respuesta poco convincente. Una respuesta débil trata la coincidencia de voz como una prueba de identidad definitiva. Una voz que suena idéntica es precisamente lo que un clon está diseñado para producir, por lo que el resultado necesita otras señales de respaldo. Si un proveedor no puede explicar cómo funciona su verificación de voz en una llamada desde un dispositivo o número nuevo, no ha sido probado contra el ataque que realmente importa.

5. Analiza el conjunto de las solicitudes, no una por una

Una herramienta de detección de deepfakes debe comparar cada solicitud con las anteriores, porque algunas de las señales más claras de deepfakes solo se aprecian al contrastar sesiones: el mismo rostro en diferentes documentos de identidad, un estafador reincidente que regresa con una nueva identidad, o una persona real que está siendo guiada durante la verificación. Un análisis que evalúa cada selfie de forma aislada no puede detectar nada de esto. La comparación debe incluir el propio historial de la institución, no solo los datos de referencia del proveedor.

Qué es. Las verificaciones cruzadas entre solicitudes buscan el mismo rostro, imagen de documento, dispositivo o voz que aparece bajo diferentes identidades. Un director sénior de análisis de fraude en una entidad de préstamos de consumo describió haber visto la "misma foto en diferentes licencias de conducir" en tiendas físicas, así como estafadores reincidentes en línea. Un analista sénior de fraude en una plataforma de criptomonedas describió que revisaba los videos enviados para "asegurarse de que no haya un tercero hablándoles o guiándolos en el proceso", lo que puede indicar una estafa en la que el solicitante es real pero no actúa solo.

Qué preguntar al proveedor. Pregunte si la herramienta compara los nuevos rostros y documentos con sus solicitudes anteriores, incluidas las que rechazó, y durante cuánto tiempo se conserva ese historial. Pregunte si puede vincular solicitudes a través de dispositivos compartidos, detalles de contacto o imágenes de documentos, además de rostros. Pregunte cómo maneja a un solicitante real que está siendo dirigido por alguien fuera de cámara.

Cómo se ve una respuesta poco convincente. Una respuesta débil evalúa cada sesión de manera aislada y deja la vinculación a un sistema externo. Si la herramienta no puede informarle que un rostro que acaba de validar fue rechazado el mes pasado con otro nombre, la institución tendrá que descubrirlo por otra vía. Las comprobaciones cruzadas coinciden con la detección de identidad sintética, y evaluar un software de detección de fraude de identidad sintética es otra elección que tiene sus propios criterios.

6. Explica lo que encontró en términos que usted pueda reportar

Una herramienta de detección de deepfakes debe indicar qué encontró y por qué, en términos que un analista pueda utilizar y que un equipo de cumplimiento pueda incluir en un reporte de actividad sospechosa (SAR). Una puntuación sin explicaciones obliga al analista a repetir el trabajo o a confiar a ciegas en el número. La explicación es también lo que hace que la revisión humana sea consistente de un analista a otro.

Qué es. Un resultado explicable detalla las pruebas: qué parte de la imagen o del documento parecía alterada, qué señal sugería que el video era inyectado o qué solicitud anterior compartía el mismo rostro. Un oficial sénior de cumplimiento de AML en una fintech de dinero electrónico señaló que los analistas a menudo pueden ver que un documento fue generado por IA, pero lo que necesitan al reportarlo es una conclusión oficial y justificada de que así fue. La alerta de FinCEN solicita a las instituciones que presenten un SAR sobre deepfakes que incluyan el término clave FIN-2024-DEEPFAKEFRAUD en el campo 2 del SAR y en la descripción narrativa.

Qué preguntar al proveedor. Pida ver la vista de analista para un caso marcado y si muestra los motivos o solo una puntuación. Pregunte si el resultado se puede guardar con el caso para que los motivos sigan allí cuando se redacte un SAR o cuando un auditor pregunte. Pregunte si el historial del dispositivo, de la sesión y de la cuenta aparecen junto al resultado de la detección, porque una alerta que solo dice que algo parece anómalo no es útil sin ese contexto.

Cómo se ve una respuesta poco convincente. Una respuesta débil es un índice de confianza sin detalles que lo respalden. Sin motivos claros, el resultado depende de quién revise el caso. El mismo oficial de cumplimiento comentó: "depende del analista y de su experiencia", y señaló que para los compañeros con menos experiencia, una falsificación puede tardar más en detectarse y, a veces, se aprueba como auténtica. Un vicepresidente de transformación de riesgos de un adquirente de comercios lo expresó con mayor claridad: "Los humanos son inconsistentes en la aplicación de la política".

7. Sirve de apoyo para la decisión en lugar de ser el único filtro

Una herramienta de detección de deepfakes funciona mejor como una señal dentro de la decisión de registro o autenticación, combinada con el dispositivo, el comportamiento y el historial de la cuenta, en lugar de ser un filtro único de aprobación o rechazo. Todos los métodos de detección pasan por alto algunos ataques. Disponer de controles en capas significa que el fallo de una herramienta lo compensa otra, y que los casos dudosos pasan a manos de una persona.

Qué es. Las directrices del FFIEC de 2021 sobre autenticación y acceso describen la seguridad por capas como la incorporación de "múltiples controles preventivos, de detección y correctivos" diseñados para compensar las posibles debilidades de cualquier control individual. Varias de las señales de alerta de deepfakes de FinCEN no se basan en el análisis de imágenes: datos geográficos o del dispositivo que no coinciden con los documentos de identidad, el rechazo a usar autenticación multifactor o una cuenta nueva que transfiere dinero rápidamente. Para comprender cómo funcionan las señales basadas en el comportamiento junto con las comprobaciones de identidad, consulte autenticación conductual.

Qué preguntar al proveedor. Pregunte si la herramienta devuelve un resultado que su plataforma de decisiones pueda combinar con otras señales, o solo un veredicto definitivo. Pregunte si puede establecer umbrales por producto y canal, y enviar los resultados dudosos a revisión en lugar de rechazarlos de inmediato. Pregunte qué devuelve la herramienta cuando no puede decidir, y si ese estado se distingue claramente de una aprobación.

Cómo se ve una respuesta poco convincente. Una respuesta débil presenta la herramienta como la única defensa. Un vicepresidente de operaciones de una empresa de servicios financieros describió la selfie como una red de seguridad utilizada "en demasiados lugares" y señaló que, en unos años, "necesitaremos una forma diferente de confiar en que alguien es quien dice ser sin ver su rostro en una foto o un video". Un gerente de políticas de riesgo de un prestamista digital describió la necesidad de un espacio donde "un ser humano tenga que intervenir y realizar una verificación adecuada" cuando algo no encaja.

8. Se mantiene al día a medida que cambian los ataques

Una herramienta de detección de deepfakes debe demostrar cómo se mantiene al día a medida que mejoran los métodos de generación de contenido, ya que una herramienta que funcionó bien en las pruebas del año pasado puede fallar con las falsificaciones de este año. Los atacantes utilizan las mismas herramientas generativas que los defensores. El Banco de la Reserva Federal de Boston ha descrito cómo la IA generativa puede aprender de sus fallas: si se detecta un lote de identidades falsas, se identifica el patrón y el siguiente lote mejora.

Qué es. Mantenerse al día significa volver a entrenar los modelos de detección con nuevos tipos de ataques, informar a los clientes cuando la detección ha cambiado y ofrecer a la institución una forma de confirmar que el rendimiento no ha decaído. También significa que el proveedor puede demostrar cómo maneja tipos de ataques que no ha visto antes. Para obtener una perspectiva más amplia sobre cómo se utilizan los modelos generativos en ambos lados, consulte IA generativa en la detección de fraudes.

Qué preguntar al proveedor. Pregunte con qué frecuencia se vuelven a entrenar los modelos, qué activa una actualización y cómo se le informará cuando cambie la detección. Pregunte cómo sabrá si la detección ha perdido eficacia con su propio tráfico y si puede volver a ejecutar su conjunto de pruebas después de cada actualización. Incluya estas preguntas en la debida diligencia del proveedor: la guía interinstitucional de junio de 2023 sobre relaciones con terceros está vigente y se propuso su reemplazo el 11 de septiembre de 2026; a fecha de 29 de septiembre de 2026, dicho reemplazo sigue siendo una propuesta.

Cómo se ve una respuesta poco convincente. Una respuesta débil remite a una certificación o al resultado de una prueba única del pasado. Una detección que no se vuelve a probar pierde eficacia silenciosamente, y la primera señal suele ser un aumento del fraude confirmado que superó el control. Un proveedor que no puede describir su ciclo de actualizaciones, o que no permite volver a realizar pruebas con sus propios casos, deja en manos de la institución la tarea de descubrir la pérdida de eficacia después de haber sufrido pérdidas financieras.

Cómo probar la detección de deepfakes con ataques que ya ha visto

La forma más confiable de comparar las herramientas de detección de deepfakes es enviar a cada candidata el mismo conjunto de ataques confirmados y sesiones de clientes reales, y luego medir qué detecta cada una y qué marca erróneamente. Una prueba diseñada de esta manera refleja a sus clientes, sus canales y los ataques que recibe. Consta de seis pasos.

1. Reúna sus ataques confirmados por tipo. Agrupe selfies generadas, fotos mostradas ante la cámara, sesiones que crea que fueron inyectadas, documentos generados o editados y, si su centro de contacto es un canal, llamadas grabadas. Etiquete cada uno por tipo de ataque para poder analizar los resultados según cada criterio.

2. Reúna sesiones y documentos auténticos de clientes legítimos. Incluya los casos difíciles: teléfonos antiguos, mala iluminación, documentos desgastados y clientes que necesitaron varios intentos. Una herramienta que marca estos casos genera problemas de fricción.

3. Envíe el mismo conjunto de datos a cada candidato. Un director de riesgo operativo de una entidad de préstamos para pequeñas empresas describió que envió el mismo lote de documentos fraudulentos conocidos a varias herramientas de fraude documental y comparó los resultados; la herramienta que ya utilizaban no obtuvo buenos resultados.

4. Mida tanto el conjunto de datos reales como el de los ataques. Un director sénior de gestión de riesgos de fraude de una empresa de pagos descubrió que una herramienta de fraude documental marcó en una prueba muchos más documentos como fraudulentos de los que realmente lo eran, lo que habría añadido fricción para la mayoría de los clientes reales afectados.

5. Evalúe según sus propios criterios de éxito. Un vicepresidente de riesgo de pago, cumplimiento y operaciones de una empresa de pagos estableció tres: "¿qué tan eficaz es para detectar documentos falsos que parecen reales?", cuánto más rápida sería y "qué tan eficientes serán nuestras revisiones manuales con esta herramienta". Añada si cada resultado incluía una explicación clara que un analista pudiera reportar.

6. Pruebe al líder en vivo con un porcentaje de tráfico antes de comprometerse. Dirija una parte de su tráfico real hacia la herramienta líder, junto con su proceso actual, y compare los resultados de los casos que llegan a revisión. Un conjunto de pruebas muestra lo que una herramienta puede hacer, y el tráfico en vivo muestra lo que hace realmente con sus solicitantes.

Conserve el conjunto de pruebas después de la compra. Vuelva a ejecutarlo después de cada actualización del modelo del proveedor y añada nuevos ataques confirmados a medida que aparezcan, de modo que la prueba se convierta en la forma de verificar que no haya pérdida de eficacia según el criterio 8.

Dónde encaja Oscilar, evaluado bajo los mismos criterios

Oscilar no detecta deepfakes, no realiza pruebas de vida ni verifica documentos por sí misma. Oscilar es la capa de decisión y coordinación que rodea a los proveedores de detección que elija una institución: dirige las solicitudes a esos proveedores, combina sus resultados con el historial del dispositivo, de comportamiento y de la cuenta, y registra por qué se tomó cada decisión. Evaluado bajo los ocho criterios, esto significa que Oscilar responde a algunos de ellos directamente y depende de un proveedor de detección para otros.

• Criterios 1 al 4: inyección, prueba de vida, documentos y voz. Estos dependen del proveedor de detección. El producto de registro de clientes de Oscilar coordina las comprobaciones de KYC y las verificaciones de identidad mejoradas de terceros, y su producto de comportamiento y de dispositivos está diseñado "para garantizar la seguridad y evitar la suplantación y la ingeniería inversa". Las páginas de Oscilar no describen la detección de deepfakes de voz, por lo que una institución que la necesite debe probar un proveedor de voz con sus propias llamadas.

• Criterio 2: prueba de vida que los clientes reales puedan superar. Los flujos de trabajo de registro se adaptan al perfil de riesgo de cada solicitante, y las verificaciones adicionales activan controles de seguridad adicionales solo cuando son necesarios, de modo que la selfie o la verificación de documentos se reservan para los solicitantes que realmente lo requieran.

• Criterio 5: análisis cruzado de solicitudes. Oscilar analiza las conexiones entre cuentas para descubrir redes de fraude, lo que permite contrastar el resultado de una detección con solicitudes anteriores que comparten dispositivos u otros detalles.

• Criterio 6: explicación. La gestión de casos ofrece colas priorizadas, una visión integral de cada usuario y explicaciones en lenguaje natural de por qué se creó un caso. Oscilar mantiene un registro de auditoría completo de cada decisión con justificaciones guardadas, e incluye por diseño la supervisión humana en el proceso (human-in-the-loop).

• Criterio 7: una señal entre varias. Este es el núcleo de la actividad de Oscilar: los resultados de la detección se presentan junto con la inteligencia del dispositivo, la biometría del comportamiento y el enriquecimiento de datos en una única plataforma de decisión, con tiempos de respuesta especificados en menos de 100 milisegundos.

• Criterio 8: mantenerse al día. El monitoreo automático de modelos de Oscilar cubre la desviación de datos, de características y de conceptos (data, feature, concept drift), además de indicadores clave de rendimiento (KPI) de resultados medidos por segmento. Las pruebas retrospectivas con datos históricos y las pruebas A/B permiten a un equipo comparar un cambio antes de que se implemente en vivo.

En cuanto a reconocimientos de terceros, Oscilar fue incluida en la lista FCC50 de Chartis de 2026, su clasificación de proveedores de tecnología contra delitos financieros y cumplimiento normativo, con premios de categoría para la personalización sin código/con poco código (Low-Code/No-Code Customization) y la innovación en IA agéntica (Agentic AI Innovation). Oscilar es también un socio preferente de Nacha para la validación de cuentas, el monitoreo del fraude y la prevención de riesgos y fraude. Ninguno de estos reconocimientos evalúa específicamente la detección de deepfakes.

Si la detección de deepfakes es solo una parte de una decisión de registro más amplia, elegir el software de registro en su totalidad es una decisión más general de lo que abarca esta lista. Para ver cómo encajan las piezas en la práctica, consulte prevención del fraude en la apertura de cuentas en Oscilar.

Los ocho criterios de un vistazo

La siguiente tabla resume los ocho criterios, la pregunta que sirve para probar cada uno, la respuesta que debería preocuparle y cómo comprobarlo con sus propios casos.

Cada fila representa un criterio de esta guía, con su correspondiente pregunta, señal de advertencia y la prueba para comprobarlo.

Preguntas frecuentes

¿Qué verifica una herramienta de detección de deepfakes que no verifique la verificación de identidad común?

La verificación de identidad común comprueba que exista una identidad y que la persona coincida con el documento que presentó. Una herramienta de detección de deepfakes comprueba si el rostro, el video, el documento o la voz en sí mismos fueron generados, alterados o inyectados. Ambas responden a preguntas distintas, razón por la cual un rostro sintético puede pasar la validación frente a un documento sintético.

¿Cuál es la diferencia entre la detección de prueba de vida pasiva y activa?

La detección de prueba de vida pasiva analiza una sola selfie o un video corto sin pedirle al cliente que realice ninguna acción adicional. La detección de prueba de vida activa le pide al cliente que reaccione, por ejemplo, girando la cabeza o siguiendo una indicación en pantalla. Las comprobaciones pasivas reducen la fricción y las activas ofrecen más elementos de análisis, por lo que muchas instituciones combinan ambas según el nivel de riesgo.

¿Qué es un ataque de inyección y por qué supera la comprobación de selfies?

Un ataque de inyección introduce un video ya preparado en la sesión de verificación mediante una cámara virtual o un complemento, en lugar de utilizar una cámara real. Supera el control de selfies que solo analiza la imagen porque la imagen puede parecer un rostro real, aunque ninguna cámara la haya capturado en ese momento. La alerta de FinCEN sobre deepfakes de 2024 señala el uso de complementos de cámara web de terceros durante la verificación en vivo como una señal de alerta.

¿Puede funcionar la detección de deepfakes en una llamada al centro de contacto?

La detección de deepfakes de voz existe y suele considerarse más compleja que la detección de imágenes generadas. Funciona mejor cuando el resultado de la voz se combina con otras señales como el dispositivo, el número de teléfono y el historial de la cuenta. Una institución debe probar una herramienta de voz con sus propias llamadas grabadas antes de confiar en ella.

¿Qué debe incluir un banco en un reporte de actividad sospechosa sobre un deepfake?

FinCEN solicita a las instituciones que presenten un SAR sobre fraude con deepfakes que incluyan el término clave FIN-2024-DEEPFAKEFRAUD en el campo 2 del SAR y en la descripción narrativa, según su alerta de noviembre de 2024 (que sigue vigente a fecha de septiembre de 2026). La descripción debe detallar qué se encontró y por qué apunta a contenido manipulado, como las señales de alerta que indica la alerta. Una herramienta de detección que explica su resultado hace que esa descripción sea más fácil de redactar y defender.

¿Cómo se posiciona Oscilar frente a estos criterios?

Oscilar no detecta deepfakes, no realiza pruebas de vida ni verifica documentos por sí misma, por lo que los criterios 1 al 4 dependen del proveedor de detección que conecte la institución. Oscilar gestiona la decisión en torno a la detección: combinando los resultados con la inteligencia del dispositivo, el comportamiento y las conexiones entre cuentas; dirigiendo los casos dudosos a revisión con explicaciones claras, y guardando un historial de auditoría completo de cada decisión con las justificaciones correspondientes, con supervisión humana por diseño. Pruébela con los mismos casos que cualquier otra parte de su infraestructura tecnológica.

La mejor herramienta de detección de deepfakes para su institución es aquella que detecta sus ataques confirmados, permite el acceso de sus clientes reales, explica sus resultados con la claridad necesaria para reportarlos y sigue haciéndolo tras la próxima actualización. Diseñe la prueba con sus propios casos y considere la detección como una señal más dentro de una decisión que también evalúa el dispositivo, el comportamiento y el historial. El enfoque de Oscilar para la prevención del fraude en la apertura de cuentas es una forma de integrar esa decisión con el proveedor de detección de su elección.