En un proceso de e-KYC, la pregunta ya no es solo si el documento parece auténtico. Los generadores de retratos y las plantillas de documentos falsos producen imágenes que pasan una mirada rápida y fallan en detalles que ningún revisor humano alcanza a medir a tiempo: la textura de la piel, el kerning de una fila, la suma que no cierra en un extracto. VeriKYC es un recorrido editorial sobre esa capa de riesgo y sobre los modelos que la detectan en fracciones de segundo.
Si preferís empezar por el problema antes que por la técnica, el primer análisis del blog repasa qué delata un rostro generado en un selfie de verificación. Para plantear una consulta concreta, escribinos desde contacto.
Tres niveles de lectura para el mismo problema: el perfil que se presenta, el documento que lo respalda y la coherencia interna de lo que se envía. Cada bloque describe qué se revisa y en qué condiciones conviene usarlo.
Se analizan marcas que los generadores de rostros dejan en la piel, el pelo y los reflejos oculares. Funciona bien cuando la solicitud llega como selfie directo, sin recortes ni recompresión previa.
Ver enfoque de detecciónSe compara la estructura del documento: kerning, hologramas que no cambian con el ángulo y microtexto que se repite. Útil cuando el archivo llega comprimido o capturado desde pantalla.
Cómo se aplica el métodoSe verifica que la suma de movimientos coincida con el saldo final, que las fechas sigan un orden lógico y que la tipografía no cambie entre filas. Requiere que el documento conserve la estructura original.
Planteado para equiposCuando el flujo de verificaciones crece, la inspección manual deja de cubrir los detalles que delatan una generación sintética. La detección se plantea en fracciones de segundo, sobre las mismas señales que un revisor humano revisaría una por una si tuviera tiempo. Los bloques anteriores no son productos cerrados: describen capas de análisis que se combinan según el tipo de documento y el formato en que llega.
Para ver cómo se conecta con el resto del recorrido editorial, revisa las capacidades descritas o escríbenos desde contacto.
Un perfil sintético no se cae por una sola señal. Se cae cuando varias capas dejan de encajar entre sí. Estos son los pasos que sigue un equipo de verificación cuando trabaja con detección automática de artefactos de difusión en documentos generados.
El material llega como selfie, captura de documento o extracto en imagen. Antes de analizar nada, se corrige orientación, se recorta el fondo y se ajusta la resolución. Una imagen mal encuadrada o reenviada por mensajería pierde metadatos útiles, así que ese primer filtro ya condiciona lo que se podrá leer después.
Los modelos revisan texturas de piel, repetición de patrones en el pelo y coherencia de los reflejos en los ojos. En documentos, comparan tipografía, microtexto y comportamiento de hologramas. En extractos, verifican que la aritmética entre movimientos y saldo cierre. Cada capa aporta una puntuación parcial, no una conclusión.
Un rostro impecable puede convivir con un documento con kerning irregular. Un extracto con cifras correctas puede fallar en el formato de fecha. El cruce entre retrato, documento y datos declarados es donde aparecen las contradicciones que un revisor humano rara vez alcanza a ver a volumen alto.
No todas las alertas pesan igual. Las señales débiles se agrupan y las señales fuertes se escalan. El objetivo no es bloquear automáticamente, sino ordenar la cola para que el equipo humano dedique tiempo a los casos donde la duda es real y no a los que ya se resolvieron en la capa anterior.
El revisor recibe el caso con las señales marcadas y el contexto de cada una. Su criterio sigue siendo el que decide, pero ya no parte de cero. Ahí es donde la inspección manual recupera sentido: no compite contra el volumen, lo filtra.
Cada caso cerrado deja una traza: qué señal apareció, cómo se interpretó y qué se decidió. Ese registro alimenta la calibración del modelo y del equipo. Sin ese paso, el sistema detecta pero no aprende de sus propios errores.
El recorrido completo de señales, límites de la revisión manual y capas de seguridad está desarrollado en las capacidades del enfoque. Si querés plantear un caso concreto, el punto de entrada es la página de contacto.
La prevención de perfiles sintéticos no se resuelve con una sola comprobación. Los modelos que trabajamos cruzan señales del retrato, del documento de identidad y del extracto bancario antes de dar una respuesta, y lo hacen en fracciones de segundo, cuando el equipo de verificación todavía está abriendo la solicitud.
Los generadores de retratos dejan marcas sutiles en la piel, el pelo y los reflejos de los ojos. No son visibles a simple vista ni a la velocidad a la que se revisan cientos de selfies al día, pero un modelo entrenado las separa de un filtro de belleza o de una cámara con poca luz.
Las plantillas falsas suelen fallar en tipografía, hologramas y microtexto antes que en el retrato. El detector compara la coherencia interna del documento con emisiones reales del mismo tipo, incluso cuando la imagen llega comprimida o recortada.
Cuando un estado de cuenta se manipula, la aritmética se rompe: saldos que no cierran, fechas fuera de orden, tipografía distinta en una fila. El modelo revisa esas relaciones además del texto, y detecta rastros de edición que una lectura humana pasa por alto.
La inspección manual tiene un techo claro cuando las solicitudes crecen. La idea es que el modelo filtre primero y deje al revisor solo los casos que realmente necesitan criterio humano, sin frenar el flujo de altas.
Si quieres ver cómo encaja esto con un flujo concreto, revisa las capacidades del enfoque o escríbenos desde la página de contacto.
Seguir leyendo
Los generadores de retratos arrastran patrones repetidos en la textura de la piel, la simetría de las orejas y el modo en que la luz rebota en los ojos. Repasamos qué marcas concretas aparecen y por qué no se ven a velocidad humana.
Leer el análisisCuando un documento se fabrica con un modelo generativo, los fallos no están en el retrato sino en la estructura: kerning irregular, hologramas que no cambian con el ángulo, microtexto que se repite. Estos son los puntos que un detector revisa primero.
Leer el análisisUn extracto manipulado suele romper la coherencia entre saldos, fechas y formato. Analizamos qué comprueba un modelo cuando el documento llega como captura de pantalla y por qué una imagen degradada complica la validación.
Leer el análisis