En una validación institucional, la diferencia entre aprobar y rechazar se juega en la coherencia de señales que el sistema recoge antes de que el usuario termine de parpadear. Estos son los frentes donde los nuevos algoritmos de detección de vida están moviendo el resultado.
El usuario mira la cámara y el sistema decide. Se analizan textura de piel, respuesta a la luz ambiente y microvariaciones del rostro para separar una persona presente de una reproducción en pantalla o una máscara. En altas de cuenta remotos, esto evita el paso extra de "gire la cabeza" que suele abandonar entre un quince y un veinte por ciento de los solicitantes legítimos.
Un deepfake en tiempo real puede sostener una cara durante segundos, pero le cuesta mantener la sincronía entre audio, parpadeo y movimiento de cabeza. El motor compara fotogramas consecutivos y marca inconsistencias en los bordes del rostro, en el reflejo ocular y en la cadencia de respuesta. La señal no es un único indicador, es el patrón el que delata.
Hay perfiles que no suplantan a nadie: combinan un documento real con historial fabricado y comportamiento generado. El sistema cruza antigüedad de los datos, huella del dispositivo y ritmo de la sesión para detectar combinaciones que no corresponden a una persona con trayectoria verificable. Se aplica antes de que la cuenta opere, no después.
No es lo mismo abrir una cuenta de ahorro que autorizar una transferencia de alto monto. El umbral de decisión se ajusta según el riesgo de la operación: más tolerancia en el alta inicial, más exigencia cuando hay dinero en movimiento. Esto reduce falsos positivos en clientes con cámaras antiguas o iluminación pobre, sin abrir la puerta a ataques en los puntos críticos.
Cada decisión queda registrada con las señales que la sustentaron, el modelo aplicado y el umbral vigente en ese momento. Cuando el regulador pide explicaciones sobre un rechazo, el equipo de riesgo puede reconstruir el caso sin depender de la memoria del analista. La validación deja de ser una caja negra y se vuelve un expediente consultable.
El motor se conecta vía API al proceso de onboarding existente y devuelve una decisión con nivel de confianza, no un simple sí o no. Los equipos pueden definir qué hacer en la zona gris: pedir una prueba adicional, derivar a revisión manual o aprobar con seguimiento. La adopción no exige rehacer el flujo, solo insertar el punto de decisión donde ya estaba el documento.
Para ver cómo se aplica esto en casos concretos de plataformas financieras, conviene revisar los escenarios de uso y el enfoque de implementación que seguimos en cada integración.
Antes de hablar de resultados conviene fijar el terreno. Estas son las precisiones que usamos cuando un equipo de riesgo pregunta si un caso concreto cae dentro del alcance de LivenessGuard.
Hablamos de un perfil que combina datos reales filtrados con datos fabricados: un documento válido, un historial construido y un comportamiento que no corresponde a ninguna persona física. No es una suplantación: es una identidad nueva que no existe en ningún registro previo. El sistema la marca cuando detecta incoherencias entre la antigüedad declarada del historial y la actividad reciente en la cuenta.
En el robo clásico alguien usa los datos de una persona existente. En identidad sintética no hay víctima directa hasta que el perfil empieza a operar. Por eso los controles basados solo en documento y selfie no alcanzan: hay que cruzar señales de comportamiento, dispositivo y temporalidad. Nuestros algoritmos tratan ambos casos, pero con umbrales distintos porque el coste de un falso positivo no es el mismo.
Consideramos deepfake en vivo cualquier intento de suplantación facial durante una videollamada o captura en tiempo real, ya sea con cara generada, con reemplazo facial sobre una persona real o con reproducción de vídeo pregrabado adaptado a las preguntas del proceso. La validación pasiva detecta artefactos de síntesis; la activa introduce retos que un modelo generado no resuelve con naturalidad.
Ningún sistema es infalible. Con iluminación muy pobre, cámaras de baja resolución o conexiones inestables, la tasa de falsos positivos sube. También hay ataques con hardware especializado que reducen las señales de síntesis disponibles. En esos casos el sistema no rechaza automáticamente: deriva a revisión manual con la evidencia capturada para que un analista decida.
La detección de vida no verifica solvencia, no consulta listas de sanciones, no valida domicilio ni reemplaza un análisis de riesgo crediticio. Tampoco decide si un cliente es aceptable: solo confirma que quien está al otro lado es una persona real y presente. La decisión de alta sigue siendo del equipo de riesgo de la institución con sus propias reglas.