Pangram puede señalar una esquina de la imagen. ¿Qué hace el editor con esa pista?

Un lector envía un vídeo de 12 segundos de un cruce inundado. Los primeros segundos parecen grabados desde un coche. En los últimos, el agua sale a raudales de un comercio, y ese es el momento que el remitente quiere que publique la redacción. ¿Por dónde empezar? Puedes analizar el vídeo entero en busca de contenido sintético. Lo que te hace falta es decidir qué fotogramas contrastar con otras pruebas.

El 4 de noviembre de 2026, la empresa de detección de IA Pangram lanzó Pangram Image 1.0 e Image Flash 1.0. El modelo principal de imágenes genera un mapa de calor que señala las zonas asociadas por el detector a contenido de IA. Flash, más rápido, analiza los vídeos subidos por fotogramas, de modo que quien revisa puede ver dónde cambia el resultado a lo largo del vídeo. La versión amplió también la API de Pangram a imágenes y vídeo e incorporó la detección de imágenes a su extensión de Chrome. Notas de lanzamiento de Pangram

Piensa en el mapa de calor como en un rotulador. Puede dirigir la atención a un rótulo, una zona del cielo o unos segundos de vídeo. El editor aún debe averiguar quién facilitó el archivo, por qué vías pasó y si lo que muestra se sostiene. Esas preguntas importan especialmente si el resultado puede retrasar una noticia o afectar a la reputación de alguien.

Fotografía contextual del cruce de las calles 5th y Guadalupe de Austin, tomada el 20 de febrero de 2021. Fotografía de Jno.skinner, recortada y redimensionada bajo licencia CC BY-SA 4.0. Fotografía original

Ilustración original de Telli.sh. El detector puede acotar la búsqueda. Las comprobaciones independientes determinan cuánto peso merece el resultado.

El mapa de calor facilita pedir las pruebas adecuadas

Supón que el cruce inundado es real, pero el logotipo de una tienda aparece difuminado de una forma que sugiere edición digital. Tiene sentido pedir el vídeo original y una foto de la misma época y desde el mismo punto. La zona destacada ayuda a explicar qué buscar. La comparación aún debe considerar sombras, desenfoque de movimiento, estabilización, límites del recorte y la posibilidad de que la plataforma cambiara el archivo al subirlo.

Pangram ilustra los mapas de calor con una fotografía que contiene una imagen de IA. Una foto puede mezclar contenidos de procedencias distintas. Un montaje puede estar identificado como tal y ser legítimo. La pregunta práctica es si el cambio altera lo que la imagen afirma sobre los hechos. Ocultar el rostro de un transeúnte por privacidad es una decisión editorial distinta de añadir una multitud a un lugar vacío. Ejemplo oficial de mapa de calor

El archivo original importa más que la intensidad del color de la capa. La versión de un chat puede ser más pequeña y carecer de metadatos. Pide la exportación de cámara sin modificar o la copia más antigua que pueda aportar el remitente. Guárdala por separado de capturas, recortes y republicaciones. Registra el origen y la elaboración de cada derivado que examines. Si un resultado solo aparece después de que una plataforma cambie el tamaño, anota esa discrepancia.

Pangram redujo el tamaño mínimo de entrada de 512 × 512 a 256 × 256 píxeles. Según el anuncio, el servicio adjunta un aviso de menor confianza por debajo del umbral anterior de 512 píxeles. Una miniatura puede ayudar a encontrar una copia mejor o identificar la cuenta de origen. Si es la única copia, adjunta el aviso a cualquier decisión que se apoye en el resultado. Cambio de tamaño de entrada

Un vídeo puede cambiar de naturaleza entre cortes

Imagina un vídeo de 12 segundos montado para redes. Empieza acercándose al edificio. Un plano general muestra la entrada y el último muestra agua en el interior. Cada fragmento puede tener un origen distinto y el montaje puede ser anterior a la recepción del archivo. Un resultado por fotogramas permite saltar a la transición, comparar ambos lados y preguntar si el fragmento interior aparece también en la copia más antigua.

Usa los momentos señalados como códigos de tiempo y revisa a velocidad normal y fotograma a fotograma. Busca primero cortes, fundidos, títulos, capturas o la inserción de otro vídeo. Después coteja el fragmento discutido con el lugar y la hora del suceso. Una señal visual llamativa gana valor si los rótulos, la fachada, el tiempo atmosférico u otra grabación respaldan de forma independiente una línea de investigación.

Un caso se presta especialmente a error. Imagina un vídeo auténtico con una miniatura generada automáticamente, una narración doblada y una franja de subtítulos. Los tres cambios pueden ser evidentes para quien lo subió y faltar en el original. Una herramienta por fotogramas analiza el material visual recibido. Comprueba por separado el audio original, quién lo grabó, si la fecha es correcta y si la miniatura representa la escena.

El caso inverso merece la misma atención. Un vídeo auténtico de hace tres años puede superar un filtro de imagen sintética y llevar un pie que lo presenta como actual. Una foto auténtica republicada con una ubicación errónea plantea un problema de procedencia aunque todos los píxeles procedan de una cámara. La búsqueda inversa, los registros del suceso y la primera publicación conocida siguen siendo útiles cuando importa la exactitud del pie. Un flujo centrado solo en el detector deja ese hueco.

La exactitud declarada exige un denominador y una tasa base

Pangram dice que partió de 100 fotos reales y generó 1.200 equivalentes sintéticos con 12 generadores. Su anuncio declara una exactitud agregada en imágenes del 99,96 % sin explicar cómo agrupó los resultados. Para el vídeo usó 129 vídeos sociales reales y 1.400 sintéticos de 14 generadores. Condicionó la generación con el primer fotograma real y una descripción del movimiento original, de modo que las parejas tuvieran un contenido parecido. Son pruebas declaradas por Pangram para la versión del 4 de noviembre y permiten hacer comparaciones dentro de ese montaje. Evaluaciones de imagen y vídeo de Pangram

¿Por qué emparejar el contenido? Si todos los vídeos reales fueran entrevistas de noticias y los generados fueran paisajes fantásticos, el sistema podría aprovechar el tema. Emparejar la escena, el sujeto o el primer fotograma reduce ese atajo. La distribución sigue importando. Una cola de anuncios de alquiler contiene interiores, fotos republicadas, marcas de agua y anuncios antiguos en otras proporciones. El equipo debería fijar su umbral de revisión con ejemplos parecidos a su cola real.

Pangram declara también un 98,7 % para Flash en DF26. DF26 es un banco de pruebas independiente centrado en vídeos de personas que hablan a cámara. Sus investigadores describen un conjunto de vídeos sintéticos y auténticos y miden el rendimiento de personas y detectores. Distingue el banco de pruebas de sus autores de la puntuación de Pangram en él. Un dato sobre personas que hablan a cámara no mide capturas, visitas a inmuebles ni grabaciones de vigilancia. Prepublicación de DF26 · Resultado de Pangram Flash

Así se ve por qué incluso un buen detector necesita un segundo paso acordado. Imagina 1.000 archivos, de los que 10 contienen cambios sintéticos pertinentes. Un detector hipotético marca 9 de esos 10 y el 1 % de los otros 990. La revisión recibe unas 19 alertas. Alrededor de 10 proceden de archivos sin esos cambios. Son valores de ejemplo, separados de la exactitud que declara Pangram. Muestran cómo la proporción de problemas reales cambia el valor de una alerta.

Ilustración original de Telli.sh. Las tasas son ilustrativas y muestran por qué puede haber muchas alertas falsas aunque la tasa de falsos positivos parezca baja.

Da al revisor una cola que pueda explicar

Una plataforma de compraventa tiene costes de error distintos de una redacción. La redacción puede retener una imagen discutida y pedir una copia mejor. Una plataforma puede tomar una decisión que afecte a la cuenta de un vendedor. Un comercio que revisa envíos puede probar por separado originales verificados, ejemplos generados deliberadamente e imágenes auténticas redimensionadas, comprimidas o editadas. Incluye casos difíciles, como escaneos de fotos en papel, fotos de móvil con poca luz e imágenes con capas superpuestas.

Registra los errores como hechos concretos. Cuenta cuántas alertas abren los revisores, en cuántas encuentran pruebas independientes aprovechables, cuántos originales verificados se elevan a revisión y cuánto tarda cada caso. Busca errores concentrados en un proceso de captura, como el modo nocturno de una familia de móviles. Una cifra agregada puede ocultar un flujo eficiente en conjunto que falla repetidamente con los mismos colaboradores.

Las personas afectadas deberían poder entender qué pruebas pueden aportar. Un vendedor puede mandar el original de cámara o mostrar el artículo desde otro ángulo. Un colaborador puede aportar el historial de publicación o la licencia. La respuesta sirve para resolver una discrepancia concreta. Una puntuación puede justificar pedir más pruebas. Una medida sobre una cuenta debe seguir la política y la revisión de la plataforma.

Comprueba si el sistema puede identificar qué archivo y qué modelo produjeron cada resultado. Las exportaciones de distintas plataformas de una misma escena merecen registros separados, igual que los resultados obtenidos en momentos distintos. Una actualización del detector puede cambiar el comportamiento de casos limítrofes. Conserva el original y el historial de revisión durante el plazo necesario para responder a una disputa según tu política y retira lo que deje de hacer falta.

Empieza con un piloto pequeño antes de automatizar la entrada

1. Elige una decisión acotada. Define una acción, como qué avisos públicos necesitan otra fuente. Sepárala de una decisión eventual de publicar, retirar o sancionar.
2. Reúne ejemplos conocidos. Parte de originales propios o autorizados. Añade una copia recodificada equivalente y, cuando proceda, una variante sintética o editada conocida. Registra las dimensiones de subida y el suceso o sujeto que se afirma mostrar.
3. Comprueba la vía de uso. Pangram ofrece subida web, extensión de Chrome y API. Usa la vía autorizada para esos archivos. Revisa conservación y acceso antes de enviar material privado o sensible.
4. Examina zonas y códigos de tiempo. Da al revisor la versión de origen y lo necesario para corroborar el resultado. Pide a otra persona que compruebe un segmento discutido cuando las consecuencias lo justifiquen.
5. Mide la decisión elegida. Compara con tu proceso actual el tiempo de revisión, las comprobaciones útiles y las alertas elevadas por error. Automatiza cuando puedas explicar qué cambia una alerta.

Si el archivo lleva una Content Credential, comprueba qué acredita realmente el registro firmado. C2PA define un formato de afirmaciones verificables sobre medios y su historial de edición. Cada afirmación tiene emisor y alcance. Un registro verificado da algo concreto que revisar. Su ausencia puede significar que el proceso de captura o distribución no lo conservó. Considera por separado la credencial, la versión de la fuente y el resultado del detector. Especificaciones de C2PA

Lo que importa es el momento de elevar el caso. Una redacción puede esperar una segunda fuente. Una plataforma puede pedir una foto reciente con el artículo visible. En ambos casos, indica qué prueba falta y cómo conseguirla. Un resultado que señala dónde mirar vale más cuando el próximo paso está definido antes de que se llene la cola.

La mejor alerta desemboca en una pregunta mejor

Una alerta útil ofrece una acción concreta. Puede llevar al editor a pedir el fotograma original del segundo nueve o al revisor de una plataforma a comparar el recorte del comercio con otra foto de quien lo subió. La decisión sigue dependiendo de las pruebas pertinentes para la afirmación real. Si el mapa mejora las preguntas, su aportación se ve incluso cuando la alerta inicial era errónea.

Fuentes

• Anuncio de Pangram Image 1.0 e Image Flash 1.0, 4 de noviembre de 2026
• Prepublicación y banco de pruebas DF26
• Preguntas frecuentes de Pangram sobre privacidad
• Especificaciones técnicas de C2PA
• Fotografía contextual de Austin de Jno.skinner, CC BY-SA 4.0

---

Para guardar las conversaciones y decisiones sobre fuentes en un registro en el que puedas buscar, crea una cuenta de Telli.sh.