Cómo detectar imágenes hechas con IA

Las imágenes generadas por inteligencia artificial se han vuelto tan realistas que pueden confundirse con fotografías auténticas. Aprender a detectarlas es clave para evitar caer en desinformación, fraudes o manipulación. En este artículo verás un método práctico y ordenado: primero reconocerás señales visuales típicas, luego comprobarás metadatos y coherencia técnica, y finalmente aplicarás verificaciones externas y buenas prácticas para tomar decisiones con más seguridad.

Método completo para identificar imágenes generadas por IA

1) Checklist de inspección visual

• Anatomía humana: en muchas imágenes generadas por inteligencia artificial, el cuerpo “parece correcto” a primera vista, pero falla en detalles que requieren consistencia biológica.
  Manos: dedos de más o de menos, falanges con longitudes irregulares, uñas que se mezclan con la piel o anillos que se “fusionan” con el dedo. Esto suele ocurrir porque el modelo sintetiza patrones plausibles sin una comprensión real de anatomía y articulaciones, y prioriza la textura global sobre la estructura.
  Dientes: filas dentales demasiado uniformes, dientes “pegados” o sin separación clara, encías difusas; la sonrisa puede parecer un bloque blanco. Es un efecto de la síntesis estadística: reproduce la idea de “dientes” sin respetar bordes finos.
  Ojos: asimetrías sutiles entre pupilas, reflejos de luz incoherentes (un ojo con brillo y el otro sin él), o iris con patrones repetidos; a veces la mirada no converge en un punto real. El modelo imita el aspecto del ojo, pero no siempre mantiene la lógica óptica.
  Orejas: pendientes que atraviesan la piel, lóbulos deformes o orejas con pliegues extra; suelen fallar porque son “detalles periféricos” y se entrenan con gran variabilidad.
  Accesorios: gafas con patillas que se pierden en el pelo, montura deformada o reflejos que no coinciden con la escena; joyas que no siguen la gravedad. La IA reproduce la apariencia, pero no el comportamiento físico del objeto sobre el cuerpo.
• Textura y materiales: busca zonas donde el material no “se comporta” como debería.
  Cabello: mechones que se convierten en textura tipo “pincel”, transiciones abruptas entre pelo y fondo, o rizos que se repiten con una periodicidad poco natural. A menudo aparece porque el modelo aprende el cabello como patrón de alta frecuencia y lo mezcla con el fondo al intentar suavizar. Piel: poros exageradamente uniformes, ausencia de microimperfecciones realistas, o gradientes raros en mejillas y frente; también manos demasiado lisas en contraste con la cara. Es común que una imagen sea “demasiado limpia” por la tendencia del modelo a optimizar la apariencia promedio. Telas: pliegues que no siguen puntos de tensión (codos, hombros), estampados que se deforman sin razón, costuras que se interrumpen. Aquí se nota la falta de comprensión mecánica: se genera un “look” de tela sin simular fuerzas.
  Joyería y metales: reflejos especulares incorrectos, brillos sin fuente, o superficies metálicas con textura de plástico. El metal exige coherencia con el entorno; la IA puede inventar brillos plausibles, pero no necesariamente consistentes.
• Iluminación y sombras: es una de las áreas más útiles para detectar imágenes hechas con IA. Observa si hay sombras con direcciones distintas (una sombra va a la izquierda y otra al frente), o sombras que faltan bajo objetos que deberían proyectarlas. Revisa sombras demasiado suaves en escenas que sugieren luz dura (sol directo) o, al revés, sombras duras en interiores con luz difusa. La IA puede “pintar” sombras para que la escena parezca tridimensional, pero no siempre respeta la geometría de la luz. También mira reflejos en espejos, gafas, agua o superficies brillantes: si el reflejo no coincide con lo que hay frente al objeto, sube la sospecha.
• Perspectiva y geometría: cuando hay arquitectura, mobiliario o líneas rectas, se vuelve más fácil aplicar un control. Busca líneas que no convergen a un mismo punto de fuga, barandillas que cambian de grosor sin razón, o suelos con baldosas que se estiran de forma extraña. En edificios, ventanas con tamaños inconsistentes, columnas que se doblan, o patrones repetidos que se “derriten” hacia el fondo. La IA tiende a mantener coherencia local, pero puede romper la global, porque construye la imagen por aproximaciones de apariencia más que por un plano geométrico real.
• Tipografía y texto dentro de la imagen: carteles, matrículas, etiquetas, periódicos, pantallas y logos son zonas clásicas de error. Señales: letras con trazos que cambian de grosor de forma aleatoria, palabras casi legibles pero incorrectas, caracteres mezclados, o líneas de texto que no mantienen la misma altura. Aunque los modelos han mejorado, el texto sigue siendo una “trampa” porque exige reglas discretas y consistencia simbólica; la IA puede crear algo que “parece texto” sin serlo. Si la imagen pretende documentar un hecho (por ejemplo, una señal de tráfico), un texto malformado es especialmente relevante para “cómo saber si una foto es real”.
• Bordes, recortes y fondos: revisa contornos alrededor del sujeto: pelo contra cielo, dedos contra ropa, objetos finos como cadenas. Si ves halos, bordes que se desvanecen o zonas donde el fondo invade el sujeto, puede ser síntesis o recorte. En fondos, presta atención a multitudes: caras repetidas, expresiones incoherentes, manos deformes en segundo plano. La IA “rellena” el fondo para dar contexto y a veces sacrifica estructura en zonas menos relevantes. También detecta fondos con detalle extraño: demasiado nítido donde debería haber desenfoque, o demasiado lavado donde debería verse textura.

2) Pruebas de coherencia semántica

• Inconsistencias narrativas: más allá de lo visual, pregunta si la escena “tiene sentido”. Un uniforme con insignias contradictorias, un objeto con uso imposible (una taza sin asa pero con sombra de asa), o una calle con señalización incompatible con el país. Las imágenes generadas por IA pueden mezclar indicios culturales y contextuales porque aprenden correlaciones, no hechos.
• Detalles que cambian entre zonas: revisa si el mismo elemento aparece con variaciones: un reloj con números en una zona y sin números en otra, una hebilla que cambia de forma, un botón que no se alinea con el ojal. La IA puede mantener consistencia en un área, pero “reinventar” el objeto al rehacer textura en otra región.
• Preguntas de control (forense): adopta mentalidad de verificación digital tipo forense: no busques un fallo único, sino un conjunto de evidencias coherentes. Pregunta: ¿Qué debería verse en el reflejo? (si hay un espejo, ¿aparece la cámara o el fotógrafo?, ¿coincide la posición del sujeto?). ¿Qué debería proyectar sombra? (si una mano está cerca de la cara, ¿hay sombra parcial?). ¿Cómo se comporta la profundidad de campo? (si el fondo está desenfocado, ¿los bordes del sujeto mantienen la misma nitidez a lo largo de todo el contorno?, ¿hay partes del pelo extrañamente enfocadas?). Estas preguntas no requieren herramientas, solo lógica física y atención.

3) Pistas técnicas y metadatos

• EXIF, en concepto: muchas fotos tomadas con cámaras o móviles guardan metadatos (EXIF) como modelo del dispositivo, fecha, lente, exposición o coordenadas (si estaban activas). Para detectar imágenes hechas con IA, los EXIF pueden ayudar, pero no deciden por sí solos. Ausencia de EXIF puede ser normal (apps que los eliminan, plataformas que los borran), pero también compatible con generación. Incoherencias (una fecha imposible, un modelo de cámara raro, o parámetros incompatibles entre sí) aumentan la sospecha. Advertencia clave: los metadatos se pueden borrar o falsificar; trátalos como pista, no como prueba definitiva.
• Compresión y reescalado: observa artefactos JPEG: bloques, bandas, pérdida de detalle. Una imagen generada por IA puede parecer muy “limpia”, con texturas suaves y ausencia de ruido de sensor, o presentar un tipo de nitidez artificial (microcontraste uniforme). También puede haber señales de reescalado: bordes con serrucho, patrones moiré en telas, o texto que se rompe en píxeles irregulares. Ninguna de estas señales es exclusiva, pero ayudan a construir un perfil técnico.
• La trampa de lo “demasiado perfecto”: en fotografía real hay imperfecciones: ruido leve, pequeñas aberraciones, variaciones de enfoque, grano, y defectos del sensor o la óptica. Cuando todo está impecable (piel sin textura, iluminación editorial sin fuente clara, colores hipercontrolados) y además la escena pretende ser casual, es razonable sospechar de imágenes generadas por inteligencia artificial o de fuerte postproducción. La perfección, en contexto documental, es una anomalía.

4) Verificación externa

• En verificación digital, la confirmación sólida casi siempre viene de fuera de la propia imagen: contexto, procedencia y corroboración. Usa este mini-protocolo en orden recomendado:
• Paso 1: Búsqueda inversa. Sube la imagen o usa un recorte del elemento central y también del fondo. Si aparece antes con otra fecha o atribución, es señal de reutilización o engaño.
• Paso 2: Rastrear el primer lugar de publicación. Identifica la cuenta o web más antigua que la difundió, revisa si ofrece archivo original o más material del mismo momento. Si solo existe en una publicación viral sin historial, aumenta el riesgo.
• Paso 3: Comparar con fuentes primarias. Si la imagen afirma documentar un evento, busca comunicados, retransmisiones, fotógrafos acreditados, o material de agencias. La falta total de huella en fuentes primarias es un dato.
• Paso 4: Contrastar con fotos del mismo lugar. Compara arquitectura, rótulos, clima, vegetación, mobiliario urbano. Si hay inconsistencias geográficas, puede ser contenido sintético.
• Paso 5: Evaluar credibilidad del emisor. Analiza historial: ¿publica desinformación?, ¿etiqueta contenido como IA?, ¿usa “deepfake” o montaje sin avisar?, ¿tiene incentivos (clics, estafas, propaganda)? La evaluación de fuente no reemplaza la evidencia, pero orienta el nivel de exigencia.

5) Señales de manipulación vs generación

• Edición tradicional (retocar, clonar, recortar) suele dejar huellas locales: patrones repetidos por clonado, bordes duros alrededor de un objeto pegado, sombras que no coinciden solo en un área, o desenfoques aplicados de forma desigual. La escena base suele ser real, con errores concentrados.
• Generación por IA (total o parcial) tiende a producir inconsistencias distribuidas: pequeñas rarezas en múltiples zonas (manos, texto, reflejos, geometría) y una estética global “promedio”. También puede haber inpainting o reemplazos parciales: el fondo es real, pero un objeto fue generado; en esos casos, busca transiciones extrañas entre el parche y el entorno (ruido distinto, nitidez distinta, sombras incompatibles).
• Ambas entran en el paraguas de contenido sintético/manipulado. En el contexto de synthetic media, el deepfake es un caso conocido (a menudo asociado a rostro o identidad), y comparte el problema central: puede simular evidencia visual con apariencia creíble, por eso la verificación no puede depender de un solo indicio.

6) Casos de uso y riesgos

• Desinformación: imágenes inventadas de acontecimientos, “pruebas” falsas en conflictos o política, o escenas emocionales diseñadas para viralizar. Saber detectar imágenes hechas con IA reduce la probabilidad de amplificar narrativas falsas.
• Estafas: perfiles con fotos sintéticas, supuestos productos, “capturas” de transferencias o documentos visuales fabricados. La imagen funciona como anzuelo de confianza.
• Suplantación: uso de rostros o identidades para engañar, incluyendo variantes tipo deepfake como forma de synthetic media. Aunque este capítulo se centra en imágenes, el mismo enfoque forense (coherencia, trazabilidad, corroboración) aplica.
• Reputación: atribuir a una persona presencia en un lugar, una acción o un mensaje mediante una imagen sintética puede causar daño real; por eso la verificación digital debe ser rutinaria en entornos públicos y profesionales.

7) Buenas prácticas para redactores y equipos

• Citar y conservar fuentes: guarda enlaces, capturas del post original, fecha/hora, y si es posible el archivo original. Para equipos, centraliza esto en un repositorio interno con control de cambios.
• Etiquetar imágenes: si usas imágenes generadas por inteligencia artificial con fines ilustrativos, indícalo claramente. Evita que una ilustración termine circulando como “foto real”.
• Consentimiento y derechos: verifica permisos de uso y evita reutilizar rostros sin autorización, incluso si la imagen “parece” sintética. La ambigüedad no elimina responsabilidades.
• Registro de verificación: crea una ficha simple por imagen: señales visuales observadas, pruebas de coherencia hechas, revisión de EXIF si aplica, resultados de búsqueda inversa, fuentes comparadas y decisión final. Esto profesionaliza el proceso y permite auditoría interna.
• Recomendaciones para medios y empresas: define un umbral: qué contenidos requieren doble verificación, cuándo escalar a un equipo especializado, y cómo corregir públicamente si se publicó material dudoso. Integra la verificación digital en el flujo editorial, no como tarea opcional.

8) Límites y cautelas

• No existe una prueba infalible “solo con el ojo”. La detección es probabilística: se basa en acumular señales independientes y ver si apuntan en la misma dirección. Además, la compresión, la edición legítima y la baja resolución pueden ocultar pistas.
• Escala práctica de decisión: Baja sospecha cuando no hay anomalías visuales relevantes, la procedencia es clara y hay corroboración externa (otras fotos, fuente primaria). Sospecha media cuando hay 1–2 anomalías moderadas (texto raro, sombras dudosas) y la trazabilidad es incompleta; aquí conviene no compartir como prueba y buscar confirmación. Alta sospecha cuando se acumulan múltiples señales (anatomía + texto + geometría) y además falla la verificación externa (sin fuente primaria, primer post anónimo, inconsistencias de contexto). En alta sospecha, trátala como potencial contenido sintético hasta que se demuestre lo contrario.
• Para “cómo saber si una foto es real”, la regla operativa es combinar observación, coherencia semántica, pistas técnicas y verificación externa; si una etapa no aporta claridad, refuerza las otras antes de dar la imagen por válida.

Detectar imágenes hechas con IA exige combinar observación y verificación. Las pistas visuales (manos, texto, sombras, geometrías y fondos) ayudan a sospechar, pero la confirmación mejora al revisar metadatos, coherencia física y el contexto de publicación. Con búsqueda inversa, contraste con fuentes y un pequeño protocolo interno, reduces el riesgo de difundir contenido sintético o manipulador. La clave es pensar como verificador digital: reunir indicios y decidir con criterio. Si quieres saber más sobre IA échale un vistazo a nuestro curso presencial en Madrid!!