Cómo saber si una imagen fue generada por IA en 2026 (sin adivinar)

Durante dos años, el consejo para detectar una imagen de IA fue el mismo: cuenta los dedos, lee el texto del cartel, busca joyas derretidas. En 2026, ese consejo es una trampa. La generación actual de modelos —Midjourney, Firefly, los últimos DALL·E e Imagen— representa manos de cinco dedos, señalización legible y reflejos coherentes la mayoría de las veces. Las señales que parecían fiables en 2023 ahora atrapan las falsificaciones baratas, viejas o descuidadas y dejan pasar las buenas sin más. Si tu método para responder «¿esta imagen es IA?» es entornar los ojos, ya estás perdiendo ante un modelo creado para vencer justo ese entrecerrar de ojos.

Así que la pregunta útil no es «¿parece falsa?», sino «¿qué puede demostrar realmente este archivo sobre su origen?». Ese cambio, de adivinar por los píxeles a leer la evidencia, es el único enfoque que aguanta a medida que los modelos siguen mejorando. Esta guía recorre cómo comprobar cualquier imagen de forma honesta: qué evidencia buscar, cómo encontrarla, cuándo confiar en ella y —la parte que la mayoría de las herramientas oculta— cuándo la única respuesta correcta es «no concluyente».

Por qué los detectores basados solo en píxeles se derrumban en la práctica

Encontrarás decenas de sitios que prometen zanjarlo: sube una imagen, recibe «93 % IA». Trata ese número como decoración, no como evidencia. Los benchmarks revisados por pares siguen mostrando lo mismo: los detectores que puntúan de maravilla en el laboratorio se desmoronan con imágenes contra las que no se entrenaron. El benchmark RAID (arXiv 2506.03988) evaluó los llamados detectores robustos frente a generadores no vistos y observó cómo la precisión se deslizaba hacia el azar de una moneda en cuanto las imágenes de prueba venían de un modelo fuera del conjunto de entrenamiento. Otra línea de trabajo sobre la brecha de despliegue halla el mismo derrumbe cuando los detectores de laboratorio se topan con las imágenes desordenadas, recomprimidas y capturadas que de verdad circulan en internet.

El problema es estructural, no un fallo que alguien parchea el trimestre que viene. Cada nuevo generador está, en efecto, entrenado para borrar la huella estadística que el último detector aprendió a detectar. Es una carrera armamentística, y el lado del detector va permanentemente un modelo por detrás. Por eso la regla más importante de todas es esta: no confíes en ninguna herramienta que te entregue un porcentaje seguro sin evidencia detrás. Un número que no puedes verificar es una conjetura con bata de laboratorio.

Lo que sí funciona: leer la procedencia

La señal fiable no está en los píxeles, sino en el archivo que los rodea. Los generadores, las cámaras y los editores modernos escriben cada vez más registros legibles por máquina de qué creó una imagen y cómo cambió. Procedencia es el término paraguas, y cuatro tipos de evidencia cargan con casi todo el peso:

• C2PA Content Credentials: un manifiesto firmado criptográficamente escondido dentro del archivo que registra quién lo creó, con qué herramienta y cómo se editó. Adobe Firefly y Photoshop, el DALL·E de OpenAI y las exportaciones de Imagen y Gemini de Google lo adjuntan; las cámaras Leica y Sony firman fotos reales de la misma manera. Firmado significa verificable: un manifiesto manipulado o despojado falla la validación en vez de mentir.
• Los chunks de parámetros de Stable Diffusion y ComfyUI: los generadores locales de código abierto escriben toda su receta en los chunks de texto de un PNG: el prompt, el hash del modelo, el sampler, la semilla y el número de pasos. Automatic1111, ComfyUI, SDXL, InvokeAI y NovelAI lo hacen por defecto. Cuando esos chunks sobreviven, la imagen ha confesado, en la práctica.
• XMP / IPTC digitalSourceType: un campo de metadatos estándar cuyo valor «trainedAlgorithmicMedia» es la etiqueta oficial de la industria, legible por máquina, para «hecho por IA generativa». Firefly, DALL·E, Recraft, Leonardo y otros lo estampan. Es una cadena de texto simple: fácil de leer, difícil de falsificar de forma convincente.
• El rastro de captura EXIF: el bloque que escribe una cámara real: objetivo, exposición, ISO, marca de tiempo y a veces GPS. Su presencia respalda débilmente una captura genuina, y un rastro coherente es difícil de falsificar. Su ausencia no prueba nada por sí sola, porque las plataformas eliminan el EXIF de forma rutinaria.

Cómo comprobar cualquier imagen, paso a paso

Este es un proceso que funciona con una captura de un chat grupal, un anuncio de un marketplace o una foto en tu feed de noticias. Hazlos en orden y detente en cuanto tengas evidencia real.

1. 01Haz una búsqueda inversa de imágenes para la fuente más antigua. Suelta la imagen en Google Lens, TinEye o Bing Visual Search y ordena por fecha. La publicación más antigua a menudo te dice más que cualquier detector: una «foto» que apareció por primera vez en un foro de arte de IA, o una imagen de «última hora» sin ninguna fuente anterior a esta mañana, responde la pregunta por sí sola.
2. 02Inspecciona los metadatos y las Content Credentials. Busca un manifiesto C2PA (verify.contentauthenticity.org de Adobe, o cualquier lector que muestre el manifiesto firmado), los chunks de parámetros del PNG, un campo XMP digitalSourceType y el bloque EXIF. Un marcador claro de generador termina la investigación en el acto.
3. 03Ejecuta una comprobación basada en evidencia sobre el archivo real que recibiste. Usa un verificador que lea la procedencia y muestre su trabajo, no uno que escupa un porcentaje pelado. Prueba el archivo original siempre que puedas conseguirlo: cada reguardado y cada resubida despoja más evidencia.
4. 04Sopesa las señales visuales manuales al final, solo como evidencia de apoyo. Si los metadatos desaparecieron, una mirada cuidadosa a manos, texto y reflejos aún puede inclinar tu juicio, pero trátala como una pista, nunca como prueba, y nunca dejes que anule un manifiesto firmado.

Las señales visuales que aún merecen un vistazo (y por qué se siguen desvaneciendo)

Antes de que existiera ningún detector, tus ojos eran la única herramienta, y aún atrapan alguna que otra falsificación perezosa. Solo debes saber que cada una de estas se vuelve menos fiable con cada lanzamiento de modelo.

• Manos, dientes y repeticiones finas: dedos de más, dientes fusionados y joyas duplicadas eran delatores claros en 2023–24. Los modelos punteros de hoy los aciertan casi siempre, así que una mano limpia no prueba nada y solo un fallo evidente significa algo.
• Texto y señalización: las letras deformadas o sin sentido en el fondo solían ser automáticas. Los modelos actuales a menudo clavan el texto corto ahora, aunque los párrafos largos y la señalización densa aún los hacen tropezar.
• Física: reflejos, sombras y líquidos: espejos que muestran la escena equivocada, sombras que apuntan en la dirección equivocada, agua que se mueve de forma extraña. Entre las señales más duraderas, porque una luz físicamente coherente es genuinamente difícil de sintetizar.
• Textura demasiado perfecta: piel cerosa, degradados hiperlisos y una ausencia antinatural de ruido del sensor insinúan síntesis. Pero los filtros de belleza intensos producen el mismo aspecto en fotos reales, así que corta por ambos lados.

Fíjate en el patrón: cada señal de esa lista lleva ahora una nota al pie, y las notas al pie van ganando. Por eso exactamente la inspección visual se sitúa al final de la lista de comprobación, no al principio.

Qué veredicto esperar, según el generador

Distintos generadores dejan distinta evidencia, por lo que una comprobación honesta da respuestas diferentes según de dónde venga una imagen y por lo que haya pasado desde entonces. Este es el mapa realista:

Las dos filas de «no concluyente» son la parte honesta. Una descarga de Midjourney y una captura de pantalla no vuelven como «humano»: vuelven como «sin evidencia en ningún sentido», que resulta ser la verdad.

Por qué «no concluyente» es la respuesta honesta, no un fracaso

Es tentador leer «no concluyente» como que la herramienta se rinde. Es lo contrario. La ausencia de evidencia no es evidencia de ausencia: un archivo despojado podría ser una foto de vacaciones real que perdió sus metadatos en WhatsApp, o una imagen de IA a la que se hizo una captura precisamente para ocultar su origen. Cualquier cosa que convierta esa incertidumbre genuina en un «91 % real» de aspecto decisivo está fabricando una seguridad que no se ha ganado. Todo detector honesto tiene un estado no concluyente; la mayoría simplemente lo entierra bajo un porcentaje para que el producto parezca más listo de lo que la ciencia permite. Cuando llegas a «no concluyente», la jugada no es confiar en los píxeles: es volver al primer paso y rastrear la fuente y el contexto, que sobreviven a los metadatos siempre.

La procedencia está a punto de convertirse en lo predeterminado

Por eso el terreno se está desplazando hacia la evidencia, y rápido. Desde el 2 de agosto de 2026, el Artículo 50 de la EU AI Act exige a los proveedores de sistemas de IA generativa que marquen sus salidas de forma legible por máquina, y exige a quien despliegue un deepfake que lo revele, con multas lo bastante grandes como para que los grandes laboratorios ya estén cumpliendo. C2PA Content Credentials, respaldado por Adobe, OpenAI, Google, Microsoft y los grandes fabricantes de cámaras, es la forma principal en que lo hacen. En la práctica, la proporción de imágenes de IA que llegan con procedencia verificable sube mes a mes, mientras que adivinar por los píxeles sigue perdiendo terreno. Leer las marcas que lleva un archivo no es solo el método honesto hoy: es el método que se fortalece a medida que marcar pasa de ser cortesía a ser ley.

Así que la próxima vez que una imagen te haga preguntar «¿esta imagen es IA?», no entornes los ojos. Rastrea de dónde vino, lee lo que el archivo admite y deja que la evidencia decida, incluida la evidencia de que no hay ninguna. Ese último caso tiene un nombre, y no es «falsa» ni «real». Es «no concluyente», y estar dispuesto a decirlo en voz alta es toda la diferencia entre comprobar y adivinar.