Documentos de identidad generados: qué delata a una plantilla falsa

Cuando un documento de identidad se fabrica con un modelo generativo, el problema casi nunca está en el retrato. La cara puede salir convincente. Lo que se rompe es la estructura: el kerning entre letras queda irregular, los hologramas no cambian de color cuando la imagen rota, y el microtexto se repite o directamente desaparece en ciertas zonas. Un detector entrenado no mira el documento como lo haría una persona. Compara la coherencia interna de ese archivo con la de emisiones reales del mismo tipo, y ahí es donde la plantilla falsa empieza a dejar rastro.

Hay capas de seguridad que son especialmente difíciles de imitar. El fondo del documento, por ejemplo, suele ser más revelador que el texto principal. Los patrones guilloche, las tramas finas y las transiciones de color que se imprimen con técnicas específicas rara vez se reproducen con la misma densidad cuando se generan digitalmente. Un modelo detecta esa diferencia de textura incluso cuando el ojo humano la pasa por alto, porque no está evaluando si el documento "se ve bien", sino si su estructura interna se sostiene.

El microtexto es otro punto crítico. En documentos reales aparece como una línea continua que solo se lee al acercarse, y su repetición sigue un patrón constante. En plantillas generadas, ese patrón se corta, se duplica sin lógica o pierde nitidez en los bordes. Lo mismo ocurre con los hologramas: un holograma real responde al ángulo de visión, y esa respuesta es difícil de simular en una imagen plana. Cuando el detector analiza la coherencia entre iluminación, textura y posición de los elementos de seguridad, la plantilla empieza a mostrar inconsistencias que no dependen de la calidad de la impresión.

También importa cómo llega la imagen. Un documento comprimido o recortado por el usuario pierde información, y eso complica la verificación. Pero el sistema no necesita la imagen perfecta: trabaja con las señales que quedan. Si el archivo fue reencodeado varias veces, los artefactos de compresión se mezclan con los de la generación, y el modelo aprende a distinguir unos de otros. Esa es la parte que un revisor humano no puede hacer a la misma velocidad, sobre todo cuando el volumen de solicitudes crece y cada documento exige atención sostenida.

La capa más difícil de imitar no es una sola señal, sino la coherencia entre varias. Un documento puede parecer correcto en tipografía y aun así fallar en la relación entre el fondo, el holograma y el microtexto. Es ahí donde los detectores automáticos encuentran su ventaja: no se cansan, no se acostumbran al formato y no dejan pasar un detalle porque el anterior se veía bien.