La proliferación de herramientas cada vez más potentes para generar imágenes con inteligencia artificial, como las del polémico Grok, de Elon Musk, o el recién estrenado Nano Banana, de Gemini, ha iniciado la escalada de un efecto preocupante para el comercio electrónico. Y es que, la capacidad de crear fácilmente y en cuestión de segundos reproducciones hiperrealistas ha multiplicado las reclamaciones basadas en fotografías manipuladas con IA.
Así, cada vez pueden encontrarse más casos de pequeños vendedores en Amazon y eBay que relatan en los foros cómo su clientes les envían imágenes que muestran productos supuestamente dañados tras el envío cuando, en realidad, el artículo llegó en perfecto estado.
La combinación de esa disponibilidad para falsear pruebas junto a los procesos cada vez más automatizados para gestionar las devoluciones está alimentando una oleada de fraudes que obliga a replantear las políticas de atención al cliente y reembolso. En especial, entre los pequeños ecommerce y tiendas online de autónomos, que suelen basar sus políticas de devolución en pruebas visuales simples y procesos automatizados.
- El fraude implica el empleo de IA para simular daños y exigir el reembolso
- Así emplean los estafadores la IA para falsificar imágenes
- Casos virales de manipulación
- Impacto sobre los pequeños comercios
- Señales de alarma y prevención frente al fraude
El fraude implica el empleo de IA para simular daños y exigir el reembolso
La empresa especializada en detección de fraudes Forter ha situado ya este fenómeno entre las preocupaciones prioritarias para el futuro de los ecommerce. Según sus análisis, el empleo de imágenes manipuladas o generadas por IA para justificar devoluciones ha crecido más de un 15% en los últimos meses y forma parte de un patrón más amplio de estafas organizadas que combinan técnicas digitales avanzadas.
El consejero delegado de la compañía, Michael Reitblat, destacó la existencia de grupos que se aprovechan de unas políticas de devolución flexibles para ejecutar reclamaciones a gran escala, y señala que el acceso masivo a las mencionadas herramientas de creación ha bajado la barrera técnica para este tipo de engaños.
Uno de los principales problemas es que el mecanismo ha seguir es sencillo y eficaz; consiste en que el comprador denuncia haber recibido un artículo defectuoso, y presenta como prueba una imagen creada o alterada mediante IA que muestra daños evidentes (desde roturas y moho, hasta manchas y quemaduras). Así, busca conservar el producto comprado y recibir un reembolso.
Dado el realismo alcanzado por modelos generativos de IA, estas fotografías logran sortear con frecuencia la revisión superficial y activan los procesos automáticos que se utilizan para las devoluciones.
Forter destaca que el problema no es sólo la falsedad de la imagen, sino la combinación de estos procesos de aprobación, los elevados costes en la devolución de pedidos de bajo valor y la falta de controles técnicos capaces de distinguir contenido falsificado de fotografías auténticas.
Así emplean los estafadores la IA para falsificar imágenes
En la práctica, las herramientas de IA son ya capaces de editar una foto real del producto para añadir un defecto. Las técnicas más habituales detectadas son la generación de texturas que simulan algún tipo de deterioro (como oxidación), la replicación de patrones de roturas en superficies de plástico o cristal y la alteración de colores para aparentar manchas.
En los casos más sofisticados, los estafadores incluso combinan estas imágenes con metadatos modificados en los archivos, para fingir que fueron tomadas en la fecha del envío.
Casos virales de manipulación
Los ejemplos más difundidos y documentados hasta ahora del uso fraudulento de imágenes proceden de Asia, especialmente de China, donde la masiva adopción de plataformas de comercio electrónico y redes sociales ha amplificado la aparición de las estafas.
Un caso viralizado en TikTok implicó a un vendedor de cangrejos que recibió no solo fotos, sino también vídeos que aparentaban que la mercancía había llegado en mal estado. La investigación posterior descubrió incoherencias en las imágenes y llevó a una intervención policial.
Otro episodio con repercusión en internet concernía a la compra por parte de un mismo cliente de artículos deportivos para coleccionistas, como cromos firmados, a pequeños vendedores de Ebay en EEUU. Diversos comerciantes denunciaron en X haber recibido fotografías que, a simple vista, parecían legítimas, pero resultaron ser imágenes generadas por IA.
Estas publicaciones circularon por la plataforma, donde otros usuarios y vendedores alertaron colectivamente el estafador.
Impacto sobre los pequeños comercios
El efecto de este fraude sobre aquellas pymes y autónomos que basan sus negocios en tiendas online es especialmente nocivo. Los comercios de menor tamaño suelen operar con márgenes ajustados y procesos de atención al cliente más reducidos; muchas veces proceden a realizar los reembolsos para mantener la satisfacción y evitar malas reseñas. Esa flexibilidad, que en condiciones normales es una ventaja competitiva, se convierte de repente en una vulnerabilidad.
No en vano, además del coste directo del reembolso, existen riesgos colaterales: pérdida de reputación por reseñas negativas que acompañan a la reclamación fraudulenta, bloqueo temporal de cuentas en marketplaces por acumulación de disputas y desviación de recursos humanos hacia la investigación de reclamaciones.
En mercados con mucha competencia, la necesidad de responder con rapidez puede llevar a aceptar la versión del comprador sin exigir pruebas adicionales, facilitando la circulación de este fraude.
Señales de alarma y prevención frente al fraude
Las siguiente medidas prácticas pueden resultar actuaciones útiles para la prevención en los pequeños comercios pequeños de cara a reducir el riesgo de fraudes con imágenes generadas por IA:
- Exigir evidencias adicionales. Por ejemplo, vídeos de más de seis segundos (el límite de lo que ahora son capaces de generar las herramientas de IA) donde se muestre el defecto en cuestión.
- Desarrollar una verificación escalonada. Esto incluye activar revisiones más exhaustivas para reclamaciones que cumplan ciertos criterios, como las que superen un umbral económico.
- Pedir la devolución física cuando exista duda razonable. Lo importante es retrasar el reembolso hasta comprobar la recepción del artículo.
- Usar herramientas antifraude. Cada vez existen más herramientas para la detección de contenido falsificado e incluso de análisis de patrones de comportamiento del comprador.
- Revisar las políticas de devolución. Registrar evidencias de cada caso. Es decir, conservar capturas y comunicaciones para facilitar posibles acciones legales o disputas con plataformas.
Además de todo lo anterior, y posiblemente lo primero a realizar, es estar atento a ciertos indicios característicos que todavía suelen estar presentes en las imágenes generadas por IA:
- Fotografías con un único formato o con calidad excesivamente homogénea.
- Imágenes con sombras o reflejos incoherentes respecto a la forma del producto.
- Texto o logotipos deformados en áreas próximas al defecto.
- Presencia de artefactos en píxeles (zonas de aspecto poco natural).
