Solo el 0.1% de las personas puede distinguir de forma confiable un deepfake de un contenido real - una de cada mil, según un estudio de iProov con 2,000 consumidores de EE. UU. y el Reino Unido a quienes incluso se les advirtió de antemano que buscaran falsificaciones (iProov, 2025). Las máquinas lo hacen mejor, pero de forma desigual: el mejor detector de audio en un benchmark neutral de 2026 obtuvo una precisión del 98.1%, mientras que la herramienta comercial más débil alcanzó el 71.3% y los modelos de código abierto se ubicaron entre el 48% y el 63% (Resemble AI, 2026). Mientras tanto, los intentos de fraude con deepfakes se dispararon más del 1,300% en un solo año en 1.2 billion llamadas analizadas (Pindrop, 2025), y Deloitte proyecta que las pérdidas por fraude con IA generativa en EE. UU. alcanzarán los $40 billion para 2027 (Deloitte, 2024). La detección se ha convertido en una carrera armamentista medible, con puntuaciones de precisión publicadas, tablas de clasificación de benchmarks y un mercado que crece cerca del 48% al año. Este análisis consolida datos de iProov, Resemble AI, Pindrop, Gartner, Deloitte y otras 12 fuentes primarias en las cifras de detección que importan para 2026.
TL;DR
- Precisión media de detección humana de deepfakes en 56 estudios y 86,155 participantes: 55.5% (Diel et al., 2024).
- Consumidores que identificaron correctamente todos los clips reales y falsos mostrados: 0.1% (iProov, 2025).
- Precisión del mejor detector de audio en un benchmark neutral de 2026: 98.1% (Resemble AI, 2026).
- Rango de precisión de los detectores de deepfakes de código abierto en ese benchmark: 48-63% (Resemble AI, 2026).
- Rendimiento perdido por los detectores bajo degradación de imagen del mundo real: hasta 50% (RedFace dataset, arXiv 2025).
- Organizaciones afectadas por un ataque con deepfake en los últimos 12 meses: 62% (Gartner, 2025).
- Aumento interanual de los intentos de fraude con deepfakes: 1,300% (Pindrop, 2025).
- Pérdidas proyectadas por fraude con IA generativa en EE. UU. para 2027: $40 billion (Deloitte, 2024).
- Tamaño del mercado de detección de deepfakes para 2034: $5.6 billion, CAGR del 47.6% (Market.us, 2025).
- Generadores de imágenes con IA que usan marcas de agua adecuadas: 38% (Rijsbosch et al., 2025).
- Las normas de etiquetado de deepfakes del Artículo 50 de la EU AI Act se aplican desde: 2 August 2026 (EU AI Act).
1. Los Humanos Apenas Superan una Moneda al Aire
La estadística de detección más importante no trata de software, sino de personas, y es desalentadora. Al combinar 56 estudios controlados, los investigadores encontraron que la precisión humana promedio se sitúa en 55.5%, estadísticamente indistinguible del azar una vez que se tienen en cuenta los intervalos de confianza (Diel et al., 2024). Las personas son marginalmente mejores detectando audio falso y peores detectando imágenes falsas, pero ninguna modalidad supera un umbral tranquilizador. La conclusión práctica: el juicio humano sin ayuda no es un control en el que se pueda confiar, razón por la cual la detección automatizada y la procedencia del contenido se están volviendo obligatorias.
| Métrica | Valor | Fuente |
|---|---|---|
| Precisión media de detección humana (todas las modalidades) | 55.5% | Diel et al., 2024 |
| Precisión humana en deepfakes de audio | 62.1% | Diel et al., 2024 |
| Precisión humana en deepfakes de video | 57.3% | Diel et al., 2024 |
| Precisión humana en deepfakes de imagen | 53.2% | Diel et al., 2024 |
| Consumidores que identificaron correctamente todos los clips reales y falsos | 0.1% | iProov, 2025 |
| Caída de precisión en video sintético vs imagen | 36% | iProov, 2025 |
| Adultos de 65+ que nunca habían oído hablar de los deepfakes | 39% | iProov, 2025 |
| Personas con exceso de confianza en su capacidad de detección | 60%+ | iProov, 2025 |
El exceso de confianza agrava el riesgo: más del 60% de los encuestados de iProov se consideraron detectores confiables, sin importar si acertaban o no, y el 48% no sabía cómo reportar un presunto deepfake (iProov, 2025).
2. Lo Que las Herramientas de Detección Realmente Puntúan en los Benchmarks
El software cierra gran parte de la brecha, en entradas limpias. En un benchmark de audio neutral de May 2026 administrado a través de Podonos en unos 25 sistemas de texto a voz y seis formatos de audio, los detectores comerciales se agruparon en puntuaciones altas mientras los modelos de código abierto quedaron muy rezagados. Resemble AI lideró el campo con una precisión del 98.1% (F1 0.981), pero la dispersión es la verdadera historia: el participante comercial más débil obtuvo 71.3%, y los detectores de código abierto apenas superaron el desempeño humano, con 48-63% (Resemble AI, 2026). Pindrop, la única gran organización ganadora del FTC Voice Cloning Challenge de 2024, reporta una precisión del 99% en motores conocidos a partir de fragmentos de audio de dos segundos.
| Métrica | Valor | Fuente |
|---|---|---|
| Precisión de Resemble AI (benchmark de audio 2026) | 98.1% | Resemble AI, 2026 |
| Precisión de Aurigin AI | 96.8% | Resemble AI, 2026 |
| Precisión de Hive | 83.5% | Resemble AI, 2026 |
| Precisión de Reality Defender | 71.3% | Resemble AI, 2026 |
| Rango de precisión de los modelos de código abierto | 48-63% | Resemble AI, 2026 |
| Precisión de Pindrop en motores conocidos (2s de habla) | 99% | Pindrop, 2024 |
| Detección de Pindrop en motores no vistos | 90%+ | Pindrop, 2024 |
| Mejor tasa de error igual de ASVspoof 5 (sin aumento de datos) | 5.56% | ASVspoof 5 Challenge, 2024 |
Nota: el benchmark de audio de 2026 fue realizado por un proveedor (Resemble AI) usando etiquetas de prueba de propiedad privada; el conjunto de pruebas y las métricas subyacentes de Podonos se divulgan públicamente. La cifra de Pindrop de 99%/<1% de falsos positivos tiene su origen en un estudio de 2023 y es la precisión destacada más reciente publicada (Pindrop, 2024).
3. La Brecha de Robustez: Puntuaciones de Laboratorio vs Entradas del Mundo Real
La precisión de benchmark es un techo, no un piso. Los detectores que brillan con archivos impecables se degradan rápidamente ante la compresión, el ruido y los artefactos de códec de las llamadas telefónicas reales y los feeds de redes sociales. En el conjunto de datos del mundo real RedFace, la mayoría de los métodos de detección perdieron hasta el 50% de su rendimiento bajo degradación de imagen (arXiv, 2025), y todos los sistemas en el benchmark de audio de Podonos de 2026 tuvieron dificultades una vez que el audio se comprimió a calidad de llamada telefónica. La velocidad es una segunda restricción: la defensa en tiempo real necesita un factor de tiempo real por debajo de 1.0, algo que no toda herramienta precisa logra alcanzar. Específicamente para el canal de voz, nuestro informe de estadísticas de biometría de voz para 2026 explica cómo se están apilando las capas de detección de vivacidad (liveness) y anti-spoofing para compensar.
| Métrica | Valor | Fuente |
|---|---|---|
| Pérdida de precisión del detector bajo degradación de imagen (RedFace) | up to 50% | RedFace dataset, arXiv 2025 |
| Tasa de falsos positivos de Reality Defender en voces genuinas | 53.7% | Resemble AI, 2026 |
| Factor de tiempo real de Reality Defender (por encima del umbral en vivo) | 1.52 | Resemble AI, 2026 |
| Factor de tiempo real de detectores con capacidad de streaming | 0.33-0.40 | Resemble AI, 2026 |
| Aumento de ataques de inyección biométrica facial (2023) | 200% | Gartner, 2024 |
| Precisión humana con entrenamiento de retroalimentación o apoyo de IA | 65.1% | Diel et al., 2024 |
Valor atípico: un detector entrenado con el conjunto de ataques más antiguo ASVspoof 2019 puede registrar una tasa de error inferior al 2% en el laboratorio, pero fallar al generalizar a los motores de clonación de voz de la era 2026 - el benchmark envejece más rápido que la amenaza.
4. Las Pérdidas por Fraude Están Impulsando la Demanda de Detección
El gasto en detección sigue el ritmo del dolor del fraude, y ese dolor se está intensificando sobre todo en el canal de voz. Pindrop registró un aumento del 1,300% en los intentos de fraude con deepfakes en 1.2 billion llamadas analizadas, pasando de aproximadamente una al mes a siete al día, con ataques de voz sintética contra aseguradoras en aumento del 475% (Pindrop, 2025). El Center for Financial Services de Deloitte proyecta que las pérdidas por fraude con IA generativa en EE. UU. se triplicarán, de $12.3 billion en 2023 a $40 billion para 2027. Esta sección se centra en la presión de la amenaza detrás de la detección; para el volumen total de incidentes y el número de víctimas, consulta nuestro informe complementario de estadísticas de deepfakes para 2026, y para el ángulo específico de voz, nuestras estadísticas de fraude con clonación de voz y estadísticas de vishing.
| Métrica | Valor | Fuente |
|---|---|---|
| Organizaciones afectadas por un ataque con deepfake (últimos 12 meses) | 62% | Gartner, 2025 |
| Aumento interanual de los intentos de fraude con deepfakes | 1,300% | Pindrop, 2025 |
| Ataques de voz sintética contra aseguradoras | 475% | Pindrop, 2025 |
| Pérdidas proyectadas por fraude con IA generativa en EE. UU. para 2027 | $40 billion | Deloitte, 2024 |
| Aumento de fraude sofisticado interanual | 180% | Sumsub, 2025-2026 |
| Deepfakes como proporción de los principales esquemas de fraude de primera parte | 11% | Sumsub, 2025-2026 |
| Pérdida por una sola videollamada deepfake del CFO (Arup) | $25 million | CNN, 2024 |
| Empresas que desconfiarán de la verificación de identidad independiente para 2026 | 30% | Gartner, 2024 |
Contexto: la cifra del 62% de Gartner proviene de una encuesta de September 2025 a 302 líderes de ciberseguridad en América del Norte, EMEA y Asia-Pacífico; el 32% del mismo grupo también reportó ataques a sus aplicaciones de IA.
5. El Mercado de Detección y Hacia Dónde Va el Dinero
Cada brecha de precisión mencionada arriba es una partida en un presupuesto de rápido crecimiento. Las estimaciones varían ampliamente según la definición - herramientas solo de detección frente a la pila más amplia de tecnología de deepfakes -, pero la dirección es unánime. Market.us dimensiona el mercado de detección de deepfakes en $114.3 million en 2024, escalando a $5.6 billion para 2034 con una CAGR del 47.6%, una de las tasas de crecimiento más pronunciadas en ciberseguridad. América del Norte concentró el 42.6% de ese gasto en 2024, y la detección de video e imagen representó dos tercios de los ingresos por herramientas - un desajuste que vale la pena vigilar, dado que el crecimiento más pronunciado del fraude está en el canal de voz.
| Métrica | Valor | Fuente |
|---|---|---|
| Mercado de detección de deepfakes (2024) | $114.3 million | Market.us, 2025 |
| Mercado de detección de deepfakes (2034) | $5.6 billion | Market.us, 2025 |
| CAGR del mercado de detección de deepfakes (2025-2034) | 47.6% | Market.us, 2025 |
| Participación de América del Norte en el mercado de detección (2024) | 42.6% | Market.us, 2025 |
| Participación del segmento de detección de video e imagen (2024) | 66.7% | Market.us, 2025 |
| Mercado de IA para deepfakes para 2031 (MarketsandMarkets) | $7.27 billion | MarketsandMarkets, 2025 |
| Mercado más amplio de tecnología de deepfakes para 2034 | $51.42 billion | Fortune Business Insights, 2025 |
Nota de divergencia: las proyecciones difieren en un orden de magnitud según el alcance. Market.us mide solo las herramientas de detección, MarketsandMarkets rastrea el mercado completo de IA para deepfakes ($0.85 billion en 2025), y Fortune Business Insights contabiliza el mercado más amplio de tecnología de generación más detección - lee cada cifra según su propia definición, no en comparación con las demás.
6. Leyes de Etiquetado y Adopción de Marcas de Agua
La regulación está desplazando la carga hacia el origen, pasando de atrapar falsificaciones después del hecho a marcar los medios sintéticos en el momento de su creación. Las normas de transparencia del Artículo 50 de la EU AI Act - que exigen etiquetar los deepfakes incluso sin intención de engañar - se aplican a partir del 2 August 2026, con sanciones de hasta EUR 15 million o el 3% de la facturación global. Las medidas chinas de etiquetado de contenido sintético ya entraron en vigor en September 2025. Aun así, las herramientas de cumplimiento van muy por detrás de la ley: una auditoría de 2025 a 50 generadores de imágenes con IA encontró que la mayoría se lanza sin el marcado que las normas pronto exigirán. La procedencia basada en consentimiento - en la que una persona etiqueta deliberadamente contenido creado a partir de su propio modelo de voz - es el lado cooperativo del mismo problema que los detectores resuelven de forma adversarial.
| Métrica | Valor | Fuente |
|---|---|---|
| Generadores de imágenes con IA que usan marcas de agua adecuadas | 38% | Rijsbosch et al., 2025 |
| Generadores de imágenes con IA que aplican etiquetado de deepfake | 18% | Rijsbosch et al., 2025 |
| Generadores de imágenes con IA auditados en el estudio | 50 | Rijsbosch et al., 2025 |
| Fecha de aplicación del Artículo 50 de la EU AI Act | 2 August 2026 | EU AI Act |
| Sanción máxima de transparencia de la EU AI Act | EUR 15M or 3% turnover | EU AI Act |
| Fecha de entrada en vigor del etiquetado de contenido sintético en China | 1 September 2025 | China CAC, 2025 |
| Sistemas de TTS/clonación de voz de Pindrop usados para entrenar la detección | 120+ | FTC Voice Cloning Challenge, 2024 |
Valor atípico: el mismo estudio advierte que las marcas de agua en audio, video y texto serán aún más difíciles de implementar que las de imagen que midió - así que la cifra del 38% probablemente sea un techo optimista para las modalidades más usadas en el fraude de voz.
Resumen: La Detección de Deepfakes en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Precisión media de detección humana (56 estudios) | 55.5% | Diel et al., 2024 |
| Precisión humana en deepfakes de audio | 62.1% | Diel et al., 2024 |
| Consumidores que identificaron todos los clips reales y falsos | 0.1% | iProov, 2025 |
| Personas con exceso de confianza en su capacidad de detección | 60%+ | iProov, 2025 |
| Precisión del mejor detector de audio (benchmark 2026) | 98.1% | Resemble AI, 2026 |
| Rango de precisión de los detectores de código abierto | 48-63% | Resemble AI, 2026 |
| Precisión de Pindrop en motores conocidos (2s de habla) | 99% | Pindrop, 2024 |
| Pérdida de precisión del detector en datos degradados del mundo real | up to 50% | RedFace, arXiv 2025 |
| Tasa de falsos positivos de Reality Defender en voces reales | 53.7% | Resemble AI, 2026 |
| Organizaciones afectadas por un ataque con deepfake (12 meses) | 62% | Gartner, 2025 |
| Aumento interanual de los intentos de fraude con deepfakes | 1,300% | Pindrop, 2025 |
| Aumento de fraude sofisticado interanual | 180% | Sumsub, 2025-2026 |
| Pérdidas proyectadas por fraude con IA generativa en EE. UU. para 2027 | $40 billion | Deloitte, 2024 |
| Pérdida en la estafa deepfake del CFO de Arup | $25 million | CNN, 2024 |
| Empresas que desconfiarán de la verificación de identidad independiente para 2026 | 30% | Gartner, 2024 |
| Mercado de detección de deepfakes para 2034 | $5.6 billion | Market.us, 2025 |
| CAGR del mercado de detección de deepfakes | 47.6% | Market.us, 2025 |
| Generadores de imágenes con IA que usan marcas de agua adecuadas | 38% | Rijsbosch et al., 2025 |
| Fecha de aplicación del Artículo 50 de la EU AI Act | 2 August 2026 | EU AI Act |
Metodología y Fuentes
Los datos se recopilaron agregando informes primarios, estudios académicos revisados por pares y preprints, benchmarks públicos identificados, fuentes gubernamentales y regulatorias, y divulgaciones de proveedores con metodología publicada, cruzando cifras de mercado y fraude entre múltiples fuentes y señalando divergencias dentro del texto. Cada estadística aquí fue verificada contra la fuente citada durante la investigación; cuando la mejor cifra disponible es anterior a 2025, se indica su año.
- iProov - estudio de consumidores sobre Deepfake Detection, 2025 (comunicado de prensa)
- Diel, A. et al. - Human performance in detecting deepfakes: a systematic review and meta-analysis of 56 papers, 2024 (ScienceDirect)
- Resemble AI / Podonos - Audio Deepfake Detection Benchmark, 2026 (informe)
- Pindrop - 2025 Voice Intelligence and Security Report (informe) y Pindrop Pulse detection (resumen)
- ASVspoof 5 Challenge - evaluación de anti-spoofing de audio, 2024
- RedFace real-world forgery dataset - arXiv, 2025 (artículo)
- Gartner - encuesta a líderes de ciberseguridad, September 2025 (vía Infosecurity Magazine); y predicción de verificación de identidad del 30% para 2026, 2024 (comunicado de prensa)
- Deloitte Center for Financial Services - previsión de fraude con IA generativa, 2024 (informe)
- Sumsub - Identity Fraud Report 2025-2026 (sala de prensa)
- Estafa deepfake del CFO de Arup - Policía de Hong Kong vía CNN, 2024 (reportaje)
- Market.us - informe Deepfake Detection Market, 2025 (informe)
- MarketsandMarkets - informe Deepfake AI Market, 2025 (comunicado de prensa)
- Fortune Business Insights - informe Deepfake Technology Market, 2025 (informe)
- Rijsbosch, B. et al. - Missing the Mark: watermarking adoption under the EU AI Act, 2025 (arXiv)
- EU AI Act - obligaciones de transparencia del Artículo 50 (texto)
- FTC - ganadores del Voice Cloning Challenge, 2024 (comunicado de prensa)
- China Cyberspace Administration - medidas de etiquetado de contenido sintético, 2025
Data watch: varias de las fuentes citadas se actualizan en ciclos anuales - el Voice Intelligence and Security Report de Pindrop suele publicarse a mitad de año, el Identity Fraud Report de Sumsub se publica hacia fin de año, y Gartner reedita anualmente su encuesta a líderes de seguridad y sus previsiones de verificación de identidad; el benchmark de audio de Resemble AI / Podonos y las evaluaciones adyacentes al NIST se actualizan a medida que aparecen nuevos motores de clonación de voz, y las obligaciones de transparencia de la EU AI Act se vuelven exigibles el 2 August 2026, lo que dará lugar a nuevas auditorías de cumplimiento de marcas de agua.
Última actualización: 9 de julio de 2026. Revisamos y actualizamos esta página trimestralmente a medida que se publican nuevos datos.