Sumsub anuncia el lanzamiento de Adaptive Deepfake Detector

Sumsub lanza Adaptive Deepfake Detector. Este nuevo modelo responde a una problemática clave: la incapacidad de las soluciones tradicionales offline para detectar las nuevas generaciones de fraudes con deepfakes. A diferencia de versiones anteriores, el detector de Sumsub identifica eficazmente esquemas de fraude cada vez más sofisticados gracias a una herramienta basada en machine learning con actualizaciones automáticas y aprendizaje continuo en tiempo real.

Las actualizaciones periódicas de los modelos han evidenciado una vulnerabilidad sistémica: en los intervalos entre cada actualización (que pueden tardar semanas o incluso meses en ser implementadas), nuevas amenazas logran evadir los sistemas de defensa y generar daños reales tanto para los usuarios de aplicaciones digitales como para las empresas. El principal diferenciador de la nueva herramienta de Sumsub radica en su precisión de detección, impulsada por un aprendizaje continuo del modelo a partir de señales de fraude en múltiples capas, lo que le permite adaptarse en cuestión de horas, y no de semanas o meses.

La necesidad de adoptar este tipo de enfoques se ha vuelto crítica en los últimos años a medida que la carrera entre los defraudadores digitales y los equipos de seguridad ha entrado en una nueva fase marcada por mayor sofisticación y velocidad. En 2025, la proporción de ataques multietapa se disparó un 180%, alcanzando el 28% de todos los fraudes detectados por la plataforma de Sumsub a nivel global.

Asimismo, el crecimiento de los deepfakes generados con IA ha sido evidente desde el año 2023, sin señales claras de desaceleración en distintos mercados alrededor del mundo. En México, por ejemplo, los fraudes digitales perpetrados con este tipo de materiales falsos crecieron en más de 484% de 2024 a 2025, de acuerdo con el último Reporte de Fraude de Identidad de Sumsub, creando con esto una sofisticación del fraude en el país.

“En 2026, el panorama de amenazas ha evolucionado, exigiendo que los equipos de gestión de riesgos respondan con modelos de prevención de fraude de nueva generación. Los deepfakes modernos ya no pueden ser detectados por el ojo humano, y la toma de decisiones debe basarse en el análisis de múltiples señales en tiempo real”, señaló Javier Herrera Zumztein, Gerente de Preventa de Monitoreo de Transacciones en América de Sumsub, quien agregó: “Por ello, lanzamos nuestro Deepfake Detector mejorado, que ofrece a los clientes no solo una herramienta, sino un sistema de aprendizaje en línea que integra verificaciones avanzadas de documentos, inteligencia de dispositivos y análisis de redes fraudulentas para reforzar las capacidades de detección de deepfakes”.

Hoy, detectar deepfakes no se trata sólo de analizar lo que se ve. Los equipos de riesgo necesitan evaluar todo el contexto de la sesión del usuario. Y es que, más allá de crear imágenes, audios o videos falsos, los defraudadores también utilizan distintos métodos de inyección, generando nuevas capas de información que los sistemas deben revisar para prevenir el fraude.

Desde el punto de vista técnico, la detección en tiempo real basada en un modelo de “aprendizaje online” elimina los tiempos de espera asociados a ciclos programados de entrenamiento y reduce la necesidad de revisiones humanas constantes para mantenerse actualizada. La nueva solución:

• Aprende continuamente nuevos patrones, incluyendo tipos emergentes de deepfakes y métodos de inyección, incorporándolos de inmediato a la lista de amenazas conocidas.
• Recopila señales desde múltiples fuentes, en lugar de depender de un solo vector de anomalía. El sistema de detección multicapa analiza documentos, geolocalización, dirección IP, señales del dispositivo y datos biométricos faciales (prueba de vida), además de cruzar información de verificación entre múltiples usuarios para identificar actividad fraudulenta en red.
• Con cada nueva observación, el modelo ajusta sus parámetros automáticamente, sin necesidad de reentrenamiento manual.
• El criterio de decisión del detector se ajusta dinámicamente para adaptarse a amenazas en evolución, llevando la precisión promedio de detección a niveles cercanos al 100%.

“Cuando el costo del error es demasiado alto, un enfoque integral frente al creciente fraude impulsado por IA es la respuesta que necesitamos”, finalizó Herrera Zumztein.