¿Tu jefe es un impostor? Nuevo sistema de seguridad lo detectará en plena videollamada

Una videollamada habitual ya no garantiza que en la pantalla haya una persona real. Las falsificaciones sintéticas modernas ya pueden sustituir rostro y voz en tiempo real, por lo que los estafadores pueden montar una reunión virtual entera con participantes creados artificialmente. Este escenario de fraude es especialmente peligroso para empresas donde los empleados autorizan pagos, negocian acuerdos y comparten información confidencial a través de Zoom, Teams y otros servicios de videoconferencia.

En 2025 el director financiero de una empresa de Singapur se unió a una llamada de Zoom donde vio al director y a varios colegas. Todos los participantes resultaron ser falsificaciones digitales. Los estafadores convencieron al empleado de transferir alrededor de 500 000 dólares. Más tarde las autoridades lograron recuperar el dinero, pero el caso mostró lo verosímiles que pueden ser las tecnologías generativas al reproducir rostros, voces y formas de hablar familiares.

La cantidad de ataques de este tipo crece rápidamente. La Agencia de Seguridad Cibernética de Singapur registró más de 1 200 casos de fraude en videollamadas solo en enero de 2026. En ese mismo mes de 2025 la agencia recibió 43 denuncias. Los autores del Informe Entrust sobre Fraude de Identidad de 2026 estudiaron más de mil millones de casos en todo el mundo y concluyeron que el fraude de identidad se ha convertido en un negocio organizado y afinado comercialmente.

Detectar participantes falsos en una videoconferencia es más difícil que verificar un vídeo pregrabado. La calidad de imagen y sonido cambia continuamente por la velocidad de la conexión. Los servicios comprimen el flujo de vídeo para que la conversación no se interrumpa y, junto con datos prescindibles, eliminan pequeños defectos de la imagen por los que los detectores antiguos encontraban manipulación. El desenfoque automático del fondo, la mala iluminación, el ruido, el movimiento detrás del interlocutor y los tirones de imagen añaden interferencias adicionales.

Un detector convencional puede interpretar las consecuencias de una conexión débil como señales de una falsificación sintética. Las frecuentes falsas alarmas volverán inútil la protección: los participantes dejarán de atender las advertencias o desactivarán la verificación. El sistema debe distinguir la suplantación digital de los artefactos que surgen regularmente durante llamadas reales.

Para resolverlo se desarrolló un programa que analiza simultáneamente vídeo y audio. El algoritmo evalúa de manera continua la probabilidad de falsificación durante la conversación y muestra una advertencia si detecta varios signos sospechosos al mismo tiempo. El programa no emite un veredicto definitivo ni bloquea la reunión. Ante la señal, el participante debe verificar al interlocutor: hacer una pregunta cuya respuesta sea difícil de preparar con antelación, o contactar con la persona por otro canal.

La verificación funciona directamente en el ordenador del usuario. No es necesario enviar imagen ni sonido a un servidor externo, por lo que las conversaciones confidenciales no salen de la infraestructura corporativa. Para procesar el flujo de vídeo en tiempo real basta con un portátil potente con una tarjeta gráfica moderna y 12 GB de memoria de vídeo.

El modo local es adecuado para juntas directivas, el trabajo de departamentos financieros y negociaciones con socios externos. Las empresas pueden conectar el detector al servicio de videoconferencia como un módulo independiente o como una función integrada. Otra opción contempla un servidor corporativo protegido por el que solo pasan las reuniones con mayores requisitos de seguridad. El esquema concreto depende de los recursos computacionales, las normas de tratamiento de datos personales y la naturaleza de la información debatida.

Los métodos clásicos de procesamiento de señales funcionaron mal para la verificación en tiempo real. El análisis de frecuencias aisladas, ruidos y distorsiones visuales requiere muchos cálculos y pierde precisión rápidamente tras la compresión de datos. El aprendizaje automático procesa el flujo más rápido y encuentra combinaciones de señales que son difíciles de describir manualmente.

El algoritmo se entrenó con grabaciones de audio y vídeo reales y falsas. Para trabajar con el sonido se usaron conjuntos de datos abiertos que incluyeron alrededor de 19 000 grabaciones reales y aproximadamente 160 000 modificadas. Las falsificaciones incluían voces sintéticas y otros métodos de imitación del habla.

Las grabaciones de estudio limpias son poco adecuadas para entrenar un detector de videoconferencias. En una llamada real la voz se corta, la imagen pierde nitidez, el fondo se desenfoca y el programa cambia el grado de compresión con una conexión inestable. Por eso los desarrolladores empeoraron deliberadamente los materiales de entrenamiento: añadieron ruido, redujeron la calidad, simularon desenfoque y otras interferencias. En el aprendizaje automático a este método de preparación de datos se le llama aumento de datos.

El aumento enseña al sistema a no reaccionar a cada defecto como si fuera un ataque. El algoritmo ve el mismo material en diferentes condiciones y gradualmente separa las consecuencias habituales de la transmisión de las señales de un rostro o voz sintéticos. Sin esta preparación, el detector funcionaría bien en grabaciones de prueba pero fallaría en reuniones de trabajo ordinarias.

No se necesitó un gran modelo universal capaz de escribir textos o responder preguntas para la verificación. Los desarrolladores crearon una red neuronal especializada en una sola tarea, por lo que el entrenamiento requirió menos recursos. Al preparar los experimentos, generar falsificaciones sintéticas suficientemente convincentes llevó más tiempo que ajustar el sistema para reconocerlas en tiempo real.

El programa sigue siendo un prototipo experimental. La siguiente fase incluye pruebas en redes corporativas e integración con plataformas de videoconferencia. Los desarrolladores deben comprobar la carga sobre el equipo, la conveniencia de las advertencias y la precisión del funcionamiento con distintas cámaras, micrófonos y velocidades de conexión.

Las cuestiones legales requieren una solución aparte. Las organizaciones deben determinar si los participantes deben consentir de antemano el análisis automático de voz e imagen. Los proveedores de videoconferencia también tendrán que indicar la función en los términos de uso y explicar qué datos procesa el detector y dónde se almacenan los resultados de la verificación.

El reconocimiento técnico no podrá cerrar por completo la amenaza. Las falsificaciones sintéticas pueden llegar a los procedimientos que los bancos usan para la confirmación remota de identidad. La protección criptográfica, la autenticación adicional y reglas predeterminadas para operaciones peligrosas ayudan a reducir el riesgo.

En resumen, recuerde una vez por todas: no se debe confirmar una solicitud de transferencia de dinero durante una videollamada solo porque una voz conocida pronunció la orden desde la pantalla. El empleado debe contactar con el emisor por un canal independiente, por ejemplo por un número de teléfono conocido o mediante el sistema corporativo de aprobación. El detector advertirá sobre el riesgo posible, pero la protección definitiva la proporcionará un procedimiento que impida que una sola videollamada inicie un pago.