Deepfakes en videollamada: cuando la cara del cliente no es del cliente

En una videollamada de alta remota, el analista ve una cara que responde, parpadea y sonríe cuando se le pide. El documento coincide. La voz suena razonable. Y sin embargo, del otro lado no hay ninguna persona: hay un modelo generativo alimentado por imágenes de una identidad robada, ejecutándose en una GPU doméstica mientras alguien teclea las respuestas en un chat paralelo. Ese es el escenario que los equipos de riesgo de varias fintech empezaron a documentar durante 2024, y que obligó a reescribir parte de los protocolos de validación institucional.

Qué hace distinto al videodepfake en vivo

Un deepfake pregrabado se detecta con relativa facilidad: no reacciona, no improvisa, no responde a una pregunta inesperada. El problema cambió cuando los modelos de síntesis facial empezaron a correr en tiempo real sobre hardware de consumo. Ahora el atacante puede sostener una conversación breve, mover la cabeza cuando se lo piden y hasta simular una lectura de documento en voz alta. La identidad suplantada existe, tiene documentación válida y a veces incluso historial crediticio. Lo único falso es la cara.

Señales que los analistas usan para detectarlo

No hay una sola señal que resuelva el caso. Lo que funciona es la acumulación de indicios pequeños:

• Desincronización labial en fonemas concretos, sobre todo en consonantes explosivas donde el modelo no logra cerrar bien la boca.
• Artefactos en los bordes del rostro: el contorno del pelo, las orejas o la línea de la mandíbula se ven ligeramente borrosos o vibrátiles cuando la cabeza gira.
• Respuestas reflejas poco naturales. Si se pide al usuario que siga un objeto con la mirada o que gire la cabeza en un ángulo específico, el modelo tarda unas décimas de más o ejecuta el gesto de forma demasiado limpia.
• Iluminación incoherente entre el rostro y el fondo, especialmente cuando la fuente de luz cambia de dirección.
• Microexpresiones ausentes: el rostro sintético no parpadea con la frecuencia esperada ni muestra tensión en los párpados inferiores.

Los límites de los detectores actuales

Los clasificadores automáticos funcionan bien contra modelos de generación antiguos o de baja resolución. El problema aparece cuando la calidad del vídeo sube. Con una webcam 1080p, buena iluminación y un modelo entrenado con las últimas arquitecturas, los artefactos que antes delataban el fraude se reducen hasta volverse casi invisibles para un detector pasivo. Si además el atacante usa hardware dedicado, la latencia baja lo suficiente como para que la conversación fluya sin cortes sospechosos.

Eso no significa que la detección sea imposible. Significa que la defensa no puede depender solo del análisis de imagen. Los equipos que están conteniendo el problema combinan pruebas activas (pedir al usuario que ejecute una acción impredecible en el momento) con señales pasivas (coherencia temporal, metadatos del dispositivo, patrones de comportamiento en la sesión). Ninguna de las dos basta por separado.

Qué cambia en el proceso de alta

La respuesta operativa no es agregar fricción al cliente legítimo, sino distribuir la verificación en varios puntos de la sesión. Una prueba de vida activa al inicio, seguida de comprobaciones pasivas durante la videollamada, y un cierre con validación documental cruzada. Cuando una señal se dispara, el sistema no rechaza automáticamente: escala a revisión humana con el fragmento de vídeo marcado. Ese equilibrio es lo que permite mantener la conversión alta sin abrir la puerta a la suplantación en vivo.

El videodepfake en tiempo real no va a desaparecer. Va a mejorar. La pregunta útil no es cómo detectarlo con certeza, sino cuántas capas independientes hay que poner para que el costo de superarlas deje de ser rentable para el atacante.