Artículo de Revisión
Deepfakes y autenticación biométrica: Desafíos y
soluciones contra la suplantación de identidad
Deepfakes and biometric authentication: challenges and solutions
against identity theft
Deysi Elvia Yuvixa Quiliche Plasencia: Universidad Nacional de Trujillo, Estudiante de Ingeniería en
Sistemas,
https://orcid.org/0009-0000-7549-7048
Kelita Marilu Mauricio Saavedra: Universidad Nacional de Trujillo, Estudiante de Ingeniería en Sistemas,
https://orcid.org/0000-0003-0007-7369
Alberto Carlos Mendoza de los Santos: Universidad Nacional de Trujillo, Doctor en Ingeniería de
Sistemas e Informática,
https://orcid.org/0000-0002-0469-915X
Autor de correspondencia: dquiliche@unitru.edu.pe
Recibido: 19 de febrero 2026
Aprobado: 2 de junio 2026
Publicado: 19 de junio 2026
Resumen:
Los deepfakes en base a la inteligencia artificial generativa representan un desafío crítico en la autenticación
biométrica, debido a que permite la creación de identidades sintéticas complicadas de detectar para los sistemas y
el ojo humano. El objetivo principal es analizar los desafíos de la autenticación biométrica frente a deepfakes y las
soluciones que existen para evitar la suplantación de identidad. Se realizó una revisión sistemática bajo la
metodología PRISMA, empleando bases de datos como Google Académico, IEEE Xplore, ScienceDirect, Springer
Link y Core, a partir de cadenas de búsqueda relacionadas con deepfake, biometric authentication y identity
spoofing. De un total de 18432 resultados iniciales se seleccionaron 23 artículos publicados entre 2020 y 2025. Los
hallazgos evidencian que los deepfakes afectan tanto al reconocimiento facial como de voz, generando
vulnerabilidades frente a ataques sofisticados que superan técnicas tradicionales de detección. Entre los principales
desafíos identificados se encuentran la dependencia de datasets reducidos y la falta de generalización de los
modelos en contextos reales. Las soluciones revisadas incluyen enfoques multimodales, detección basada en
biometría conductual, integración de blockchain, autenticación multifactor y modelos de aprendizaje continuo,
optimizados para tiempo real. Se resalta que existen implicaciones éticas y legales que requieren marcos
regulatorios internacionales y códigos de conducta para desarrolladores. Por ende, la seguridad biométrica frente
a deepfakes demanda un enfoque integral que combine innovación tecnológica, regulación y educación digital,
incentivando futuras investigaciones orientadas a datasets diversos y algoritmos adaptativos.
Palabras clave: Aprendizaje automático, aprendizaje multimodal, blockchain, ciberseguridad, detección de
fraudes, inteligencia artificial generativa.
Abstract:
Deepfakes based on generative artificial intelligence represent a critical challenge in biometric authentication, as
they allow the creation of synthetic identities that are difficult for systems and the human eye to detect. The main
objective is to analyze the challenges of biometric authentication against deepfakes and the solutions that exist to
prevent identity theft. A systematic review was conducted using the PRISMA methodology, using databases such
as Google Scholar, IEEE Xplore, ScienceDirect, Springer Link, and Core, based on search strings related to
deepfake, biometric authentication, and identity spoofing. From a total of 18,432 initial results, 23 articles published
between 2020 and 2025 were selected. The findings show that deepfakes affect both facial and voice recognition,
generating vulnerabilities against sophisticated attacks that surpass traditional detection techniques. Among the
main challenges identified are the dependence on small datasets and the lack of generalization of the models in
real-life contexts. The reviewed solutions include multimodal approaches, behavioral biometrics-based detection,
blockchain integration, multifactor authentication, and continuous learning models optimized for real-time use. It is
emphasized that there are ethical and legal implications that require international regulatory frameworks and codes
of conduct for developers. Therefore, biometric security against deepfakes demands a comprehensive approach
that combines technological innovation, regulation, and digital education, encouraging future research focused on
diverse datasets and adaptive algorithms.
Keywords: Machine learning, multimodal learning, blockchain, cybersecurity, fraud detection, generative artificial
intelligence
UNANCHAY Revista de Ciencias de la Ingeniería Volumen 5. Número 1. Año 2026, p. 139-154
ISSN 2953-6707 enero - junio 2026
https://publicacionestecnoecuatoriano.edu.ec/index.php/RCU/index
Como citar la obra: Quiliche-Plasencia, D., E., Y., Mauricio-Saavedra, K., M. y Mendoza-de los Santos, A., C. (2026). Deepfakes y
autenticación biométrica: Desafíos y soluciones contra la suplantación de identidad. Revista Científica Unanchay, 5(1), 139-154
doi: https://doi.org/10.64424/rcu51202698
DOI: https://doi.org/10.64424/rcu51202698
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
140
En los últimos años, ha evolucionado exponencialmente la inteligencia
artificial (IA) generativa en el ámbito de la ciberseguridad y sistemas de
autenticación biométrica. Este avance ha impulsado el desarrollo de
aplicaciones innovadoras, pero también ha facilitado la aparición de nuevas
amenazas que comprometen la seguridad de los sistemas de verificación de
identidad. En este contexto, los deepfakes emplean técnicas novedosas de
la IA para crear información engañosa que representan desafíos
significativos en la seguridad y entornos de autenticación y validación. Según
Khan et al. (2025), esta tecnología que surgió con el propósito creativo o de
entretenimiento, se ha convertido en una amenaza crítica para la integridad
de los sistemas de verificación de identidad.
Actualmente, los desarrollos basados en aprendizaje automático
provocan que los deepfakes sean altamente creíbles y difíciles de diferenciar
entre lo que es real y no, aquello afecta a los sistemas automatizados de
reconocimiento biométrico. Como señalan Firc et al. (2023), los deepfakes
representan una amenaza constante y emergente, si bien es cierto esta
tecnología ha remodelado aplicaciones de manera positiva con asistentes
virtuales personalizados y herramientas de clonación de voz para contenido
creativo, también se les ha dado un mal uso planteando severas amenazas
a la seguridad y confianza, en especial en sistemas financieros y de
ciberseguridad.
Los avances y complejidad en la tecnología de los deepfakes aborda
nuevos desafíos en el ámbito biométrico. Los sistemas de autenticación
biométrica emplean reconocimiento facial o análisis de voz donde se ha
evidenciado vulnerabilidades significativas frente ataques engañosos. En el
ámbito de la detección forense según Qureshi et al. (2024), los deepfakes
representan un conjunto de técnicas que emplean redes neuronales
profundas (CNN) que generan contenido multimedia que es indistinguible en
comparación con el contenido auténtico. Esta característica ha llevado a un
incremento en el fraude de deepfakes a nivel mundial entre el 2022 y 2023.
Las implicaciones son diversas y complejas en los sistemas
biométricos. Los nuevos desafíos presentes en la seguridad biométrica se
evidencian en especial en las Redes Adversariales Generativas (GANs) y los
Autocodificadores Variacionales (VAEs). Así establece Khan et al. (2025),
mientras la investigación en IA ha mejorado los métodos para la autenticación
biométrica, también estas herramientas producen identidades sintéticas
avanzadas y capaces de derrotar las medidas de seguridad. Los sistemas
biométricos, aunque altamente efectivos bajo muchas condiciones, enfrentan
riesgos significativos debido a las capacidades evolutivas de los deepfakes
que pueden explotar vulnerabilidades inherentes en sistemas diseñados para
reconocer y autenticar identidades basadas en características físicas o
comportamentales de individuos.
Deepfakes y autenticación biométrica: desafíos y soluciones contra la suplantación
Introducción
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
141
Por otro lado, Alazani et al. (2024) explica que el contenido multimedia
sintético creado mediante técnicas avanzadas de IA representa una
amenaza significativa en varios ámbitos de la seguridad. De igual forma
Srivastava et al. (2025), detalla que los enfoques de detección han
evolucionado desde métodos simples hacia técnicas sofisticadas que
emplean redes neuronales profundas, con transformadores de visión (ViT)
logrando precisiones del 94.3% al 95.1% en conjuntos de datos estándar.
Asimismo, Xing et al. (2025), sostiene que los sistemas de anti-
suplantación facial enfrentan desafíos significativos ante ataques realistas
como máscaras 3D y contenido generado por IA. A su vez Jbara et al. (2024),
comenta que las contramedidas actuales incluyen detección y análisis de
artefactos neurales, mientras que los deepfakes presentan aplicaciones tanto
maliciosas como fraude y robo de identidad, son también benéficas como
entretenimiento y educación, creando desafíos únicos para los
desarrolladores de seguridad.
El objetivo principal es analizar los desafíos de la autenticación
biométrica frente a deepfakes y las soluciones que existen para evitar la
suplantación de identidad. La investigación aborda tanto los aspectos
técnicos de los ataques como las soluciones tecnológicas emergentes.
Metodología
El presente artículo se llevó a cabo mediante una revisión sistemática
de la literatura siguiendo la metodología PRISMA (Preferred Reporting Items
for Systematic Reviews and Meta-Analyses), con el objetivo de responder a
la pregunta de investigación: ¿Cuáles son los desafíos que enfrentan los
sistemas de autenticación biométrica frente a los deepfakes y qué soluciones
existen para evitar la suplantación de identidad?
Según Page et al. (2021), PRISMA brinda un marco metodológico
estandarizado, garantizando la transparencia, reproducibilidad y rigor
científico en la síntesis de evidencia. Esta metodología ha sido validada y
aplicada en múltiples disciplinas, entre ellas ingeniería e informática, donde
la revisión sistemática resulta ser fundamental para analizar literatura
homogénea y en constante evolución (Moher et al., 2009; Liberati et al.,
2009).
Estudios recientes en ingeniería de software y seguridad informática
confirman que las revisiones sistemáticas son un enfoque confiable para
identificar tendencias, desafíos y vacíos de investigaciones, así como
sintetizar evidencia de forma reproducible (Wohlin et al., 2020; Garousi et al.,
2020). En ese contexto, la adopción de PRISMA es pertinente debido al
carácter multidisciplinario del problema abordado, ya que integra IA,
biometría y ciberseguridad y a la necesidad de garantizar un seguimiento
metodológico frente a la rápida evolución de los deepfakes.
Quiliche Deysi, Mauricio Kelita y Mendoza Alberto
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
142
Para la recolección de la información se emplearon términos como:
deepfake, biometric authentication, attacks, etc, estos términos fueron
incluidos en diversas cadenas de búsqueda y ejecutados en las siguientes
bases de datos: Google Académico, Springer Link, IEEE Xplore,
Sciencedirect, Core. La cantidad de resultados obtenidos, número de
estudios seleccionados, así como las cadenas de búsqueda empleados se
presenta en la Tabla 1.
Tabla 1
Criterios de búsqueda
Base de
datos
Cadena de búsqueda
Resultados
obtenidos
Estudios
seleccionados
Google
académico
(biometrics OR biometric authentication)
AND (deepfake OR deep fake OR
synthetic media) AND (identity theft OR
impersonation OR spoofing OR attacks)
17600
13
Springer
Link
("deepfake" OR "deepfakes" OR
"synthetic media") AND ("biometric
authentication" OR "facial recognition"
OR "voice authentication" OR "fingerprint
recognition") AND ("identity spoofing"
OR "impersonation" OR "presentation
attack") AND ("security" OR "threats" OR
"vulnerabilities") AND
("countermeasures" OR "solutions" OR
"detection methods")
86
4
IEEE
Xplore
deepfake biometric authentication
52
2
Science
Direct
deepfake biometric authentication
identity spoofing facial recognition
security detection
61
3
Core
("biometric authentication" OR
biometrics) AND ("deepfake" OR "deep
fake" OR "synthetic media") AND
("identity theft" OR spoofing OR
impersonation OR attacks)
637
1
Nota. Autores, (2026)
Con el objetivo de obtener estudios relevantes que permitan realizar
un análisis completo y actualizado se aplicaron filtros de inclusión y
exclusión. Se incluyeron publicaciones entre los años 2020 y 2025, de libre
acceso y en los idiomas de inglés o español. Por otro lado, se excluyeron
aquellos artículos incompletos o que no sean de libre acceso, publicaciones
fuera del rango temporal y redactados en otro idioma
Deepfakes y autenticación biométrica: desafíos y soluciones contra la suplantación
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
143
El siguiente gráfico permite visualizar y comprender el proceso de
recolección de los estudios a analizar a través de un flujo PRISMA en el cual
se describen los filtros aplicados y la cantidad final de estudios incluidos en
la investigación.
Figura 1
Flujo del proceso de extracción de datos
Nota. Autores, (2026)
Quiliche Deysi, Mauricio Kelita y Mendoza Alberto
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
144
Resultados
En base a los artículos seleccionados, se muestran los resultados
detallados de cada uno de ellos
Tabla 2
Síntesis de los resultados obtenidos
Autor
Desafíos
Soluciones
Felouat,
Nguyen,
Yamagishi
& Echizen,
2025
Los atacantes pueden crear
rostros falsos que sean
hiperrealistas tanto en 2D como
en 3D para burlar a los controles
de reconocimiento facial, además
de una falta de datasets 3D
amplios y diversos.
Se propone usar mallas faciales 3D
incorporadas con rasgos geométricos
difíciles de falsificar, esto en conjunto del
modelo tipo mesh-MLP con self-attention y
TabTransformer/ensemble entrenados con
dataset 3DDGD para clasificar mallas real
vs. fake.
Duhan &
Kajal (2025)
Muchos detectores son
entrenados con un conjunto
limitado y específico de datos y
fallan cuando se enfrentan a
técnicas no vistas. Los deepfakes
suelen difundirse rápidamente
siendo complicada una respuesta
temprana.
Se emplea modelos basados en CNN y
GAN implementando datasets como
FaceForensics++, Celeb-DF y DFDC, con
métricas de precisión y AUC para
identificar deepfakes como face swap,
manipulación de expresiones, lip-sync,
clonación de voz y alteraciones
hiperrealistas.
Khan,
Laghari,
Inam, Ullah,
Shahzad &
Syed (2025)
Ataques imperceptibles en la
información que engañan a los
sistemas de detección con falsos
positivos. Los modelos funcionan
bien en los datasets entrenados,
pero en otros ambientes
disminuye su eficiencia.
Se busca integrar blockchain (BDLT) para
un registro de huellas criptográficas y
asegura la detección efectiva de
manipulaciones, con aprendizaje
autosupervisado y un algoritmo eficiente
para operar en tiempo real con recursos
limitados.
Singh,
Panem,
Charanarur
&
Chaudhary
(2025)
Se cuenta con dependencia a
datos de entrenamiento que
pueden ser costosos y difíciles de
obtener.
Falta de mecanismos de
autoaprendizaje para que
mantengan al modelo actualizado
ante los deepfakes.
Se desarrolla un modelo que combina
visión por computador, análisis de voz y
metadatos que detectan datos
imperceptibles por humanos, utilizando
redes neuronales comprimidas para que
pueda operar en dispositivos móviles y
sistemas más amplios.
Pakina,
Kejriwal &
Goel (2023)
Uso de deepfakes para falsificar
rostros y voces ficticias en
sistemas biométricos.
Dependencia de controles
estáticos que tienen mayor
probabilidad de ser vulnerables
ante ataques.
Implementación de modelos de biometría
facial, de voz y análisis de comportamiento,
con autenticación multimodal y dinámica,
en base a algoritmos de detección de
deepfakes para identificar patrones en los
ataques.
Alazwari,
Alsamri,
Alamgeer,
Alabdan,
Alzahrani,
Rizwanullah
& Osman
(2024)
Deepfakes emplean técnicas
innovadoras de GANs y
autoencoders mostrando menos
artefactos visibles y complica su
detección. Los modelos
convencionales emplean gran
cantidad de volúmenes de datos
en su entrenamiento y no
generalizan bien las nuevas
técnicas de manipulación
Se plantea un modelo optimizado con
Artificial Rabbits Optimization (ARO) que
permite ajustar hiper parámetros de
transfer learning incrementando la
precisión sin aumentar el coste
computacional. Además, implementarlo a la
par de modelos como ResNet, VGG y
EfficientNet para reutilizar características
significativas.
Deepfakes y autenticación biométrica: desafíos y soluciones contra la suplantación
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
145
Min-Jen &
Cheng-Tao
(2024)
Incremento en la vulnerabilidad de
autenticación biométrica basada en
huella palmar debido a imágenes
sintéticas generadas por
deepfakes.
Alta tasa de falsos positivos y
negativos cuando se emplean
datasets reducidos.
Se busca implementar un modelo en base a
redes neuronales profundas CNNs enfocadas
en aprender características distintivas entre
palmas reales y deepfakes, empleando a su
vez un diseño de pipeline de verificación
automática para reducir los fraudes
biométricos.
Maria
Pawelec
(2025)
El desarrollo de deepfakes
involucra temas éticos y
responsabilidad profesional, donde
el uso indebido deriva en fraudes
biométricos sin marcos regulatorios
claros. Carencia de leyes uniformes
que aborden la creación y uso de
deepfakes en contextos de
autenticación y privacidad.
Se propone establecer códigos de conducta
para desarrolladores que utilizan los
deepfakes, con marcos legales, normativas y
regulación internacional. Además, de la
implementación de tecnologías como
blockchain para el rastreo de datos
biométricos auténticos.
Sourav
Mandal
(2025)
Los deepfakes se involucran en la
creación de identidades falsas
empleadas en delitos financieros y
vulneran los sistemas KYC (Know
Your Customer).
Se plantea desarrollar marcos normativos que
sancionen el uso de deepfakes en fraude de
identidad y delitos cibernéticos, incorporando
la IA y la integración biométrica.
Felipe
Romero-
Moreno
(2025)
La velocidad de avance de los
generadores de deepfakes supera
a la de las herramientas de
detección. Vacíos legales en el
marco jurídico para regular el uso
de deepfakes en la identidad digital
y biométrica.
Sistemas de autenticación que integren
algoritmos de IA generativa para la detección
de deepfakes para mitigar los riesgos, además
de una inclusión de un marco legal integral
para sancionar los deepfakes en la
suplantación de identidad y fraude biométrico.
Firc,
Malinka &
Hanáček
(2023)
Los deepfakes pueden imitar
expresiones y rasgos vulnerando
los sistemas biométricos y
evadiendo controles KYC.
Diversidad de vectores de ataque
dificultando el diseño en las
defensas universales.
Se propone un modelo con herramientas
híbridas que combinen el análisis visual,
auditivo y forense digital con una verificación
multimodal para la detección de deepfakes en
sistemas biométricos.
Dudykevyc
h,
Yevseiev,
Mykytyn,
Ruda &
Hulak
(2024)
Los deepfakes pueden alterar
imágenes faciales afectando la
confidencialidad, integridad y
autenticidad de la identidad. La
detección y clasificación requieren
un procesamiento complejo de
datos biométricos con alta carga
computacional.
Se plantea un sistema basado en redes
neuronales con preprocesamiento de
segmentación, detección y normalización de
imágenes, además de extracción de
características y entrenamiento de
clasificación binaria.
Norman &
Farid
(2025)
Técnicas actuales como
FaceFusion generan sustituciones
faciales casi perfectas. Detectores
existentes basados en datos
requieren volúmenes masivos de
entrenamiento.
La implementación de un modelo basado en
anomalías biométricas para detectar las
variaciones anómalas propias de deepfakes.
Rabbi,
Haque,
Huri &
Tabassum
(2024)
Los sistemas de autenticación por
voz no están preparados y son muy
vulnerables a voces sintéticas
realistas.
Los métodos de detección actuales
fallan en escenarios reales al no ser
muy robustos.
Se plantea un modelo de aprendizaje
automático y aprendizaje profundo,
extrayendo características de la señal de
audio para identificar las sutilezas de la voz
humana que los deepfakes no replican por
completo.
He, Sun,
Lei, Li, Ye,
Zhang &
Zhang
(2025)
Deepfakes avanzados pueden
imitar señales sutiles como
parpadeo de ojos y
microexpresiones. Los métodos de
detección actuales carecen de
robustez. La creación de deepfakes
se ha vuelto muy accesible lo que
aumenta el riesgo de ataques.
Uso de señales biométricas dinámicas como
movimientos oculares o secuencias de
microexpresiones faciales.
Un enfoque de múltiples capas, entrenamiento
de modelos de detección, tecnologías que
preserven la privacidad y mecanismos de
autenticación continua.
Quiliche Deysi, Mauricio Kelita y Mendoza Alberto
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
146
Salawudeen
Olalekan
Usman
(2025)
El audio deepfake puede replicar de
forma convincente la voz,
permitiendo a los atacantes evadir
sistemas de autenticación por voz.
Estas voces sintéticas pueden
permitir acceder a cuentas, datos
sensibles o iniciar transacciones
fraudulentas.
Explorar técnicas como la incrustación de
firmas digitales invisibles en los archivos
multimedia originales para verificar su
autenticidad.
Se recomienda el uso de Autenticación
multifactor (MFA).
Sheikh Inam
Ul Mansoor.
(2024)
Los deepfakes amenazan la
privacidad al explotar los sistemas
de identidad digital, generando
preocupaciones en la seguridad de
los datos. La tecnología sofisticada
dificulta demostrar la creación de
contenido deepfake.
Se plantean reformas regulatorias y la
promulgación de nuevas regulaciones
adaptadas para combatir delitos
relacionados con los deepfakes. Las
estrategias deben centrarse en
innovaciones tecnológicas para detectar
deepfakes.
Nicole
Murillo
Fonseca
(2025)
Los deepfakes pueden explotar las
debilidades de los sistemas de
reconocimiento facial y de voz. La
tecnología puede imitar
comportamientos humanos como
parpadeo y movimientos de cabeza
para engañar a los sistemas
biométricos.
Métodos basados en análisis de
movimientos faciales sutiles como la
detección de parpadeo.
Métodos de análisis de texturas ya que los
medios falsificadores carecen de detalles
de alta frecuencia. Uso de aprendizaje
profundo para identificar patrones
anómalos.
Khan &
Mahmood
Malik (2023)
Algunos modelos de aprendizaje
profundo fallan al detectar ataques
de deepfake de voz que tienen
características diferentes a los
datos con los que fueron
entrenados. Los avances en IA
generativa representan una
amenaza para los sistemas de
verificación automática de voz.
Técnicas One-Shot Learning y Metric
Learning para comparar muestras de voz
mediante una matriz de similitud. El uso de
una arquitectura de red siamesa con capas
LSTM para capturar dependencias
temporales y patrones a largo plazo,
permitiendo detectar rasgos que indican
una suplantación de voz.
Salko, Firc &
Malinka
(2024)
El uso malintencionado de
deepfakes para suplantar la
identidad en sistemas de
reconocimiento facial
automatizados amenaza aspectos
como la seguridad financiera y el
acceso a lugares seguros. Se ha
prestado más atención a los
sistemas de reconocimiento de voz
que a los sistemas de
reconocimiento facial.
Se propone el enfoque de aprendizaje
profundo para determinar si una imagen o
video es deepfake mediante el aprendizaje
de características distintivas.
Otro enfoque es el seguimiento de muchas
señales fisiológicas como el parpadeo o un
pequeño cambio en el color de piel.
Bodepudi &
Reddy
(2020)
Los atacantes pueden fabricar
muestras artificiales de huellas
dactilares, patrones de iris y rasgos
faciales para engañar al sistema.
Se utilizan imitaciones o réplicas de
los rasgos biométricos de un
usuario como una fotografía o
máscara 3D realista.
Implementa mecanismos para diferenciar
muestras biométricas en vivo y falsificadas
mediante la recopilación de un conjunto de
datos diversos reales y falsificados
entrenadas con un modelo de aprendizaje
automático. Utilizar algoritmos de
aprendizaje automático para analizar
patrones continuamente y detectar
cualquier actividad sospechosa.
Deepfakes y autenticación biométrica: desafíos y soluciones contra la suplantación
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
147
Abbas &
Taeihagh
(2024)
Es muy difícil distinguir entre
imágenes o videos reales y falsos
porque todo el mundo tiene acceso
a tecnología avanzada. La calidad
de la creación de deepfakes está
mejorando. Casi todo el mundo
puede crear deepfakes utilizando
herramientas predominantes, lo que
hace que sea más difícil
contrarrestarlos.
Se plantea utilizar métodos de detección
enfocados en aprendizaje profundo y
aprendizaje automático con modelos de
detección como faceswap y face
reenactment. Se mencionan varias técnicas
como el uso de una red 3D-Xception con la
transformada de Fourier para detectar videos
falsos.
Gupta, Patil
& Guido
(2024)
Los ataques de suplantación utilizan
técnicas de conversión de voz para
generar voz falsa y eludir los
sistemas ASV. Se pueden montar
ataques aprovechando fallas en las
implementaciones de hardware de
los algoritmos de seguridad.
Se plantea el uso de sistemas de detección
de voz falsa en sistemas ASV para identificar
un ataque y denegar la entrada de la voz
falsa al sistema ASV.
Se propone utilizar diversas técnicas de
detección de extracción de características y
estrategias basadas en el procesamiento de
señales.
Métodos basados en aprendizaje profundo.
Nota. Autores, (2026)
Discusión
Los avances en la generación de deepfakes están alcanzando un nivel
de realismo desafiando seriamente la seguridad de los sistemas de
autenticación biométrica (reconocimiento facial, verificación de voz, huellas
palmares y otras modalidades), y las respuestas tanto técnicas como
operativas aún están en desarrollo.
Síntesis de los desafíos principales
La literatura analizada muestra patrones recurrentes de
vulnerabilidad, varios trabajos destacan que los detectores entrenados con
datasets limitados tienen incapacidad para generalizar frente a técnicas
deepfake nuevas o no consideradas (Dubana & Kajal, 2025; Norman & Farid,
2025; Abbas & Taeihagh, 2024). Esta limitación se intensifica cuando los
deepfakes multimodales y 3D elevan la complejidad, ya que generan
artefactos difíciles de detectar con los enfoques unimodales tradicionales,
exigiendo datasets más robustos y diversos que capturen múltiples
modalidades biométricas simultáneamente (Felouat et al., 2025; Šalko, Firc
& Malinka, 2024). Alazwari et al. (2024) evidencian que los modelos
entrenados con datasets unimodales presentan tasas de error
significativamente más altas al enfrentar ataques multimodales, mientras que
Felouat et al. (2025) demuestran que la generación de deepfakes 3D
basados en mallas faciales requiere conjuntos de datos tridimensionales
amplios para su detección efectiva, lo que representa un desafío adicional
para los sistemas de autenticación que operan con datos limitados.
Quiliche Deysi, Mauricio Kelita y Mendoza Alberto
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
148
En el ámbito de autenticación de voz, Gupta, Patil y Capobianco Guido
(2024) resaltan que los sistemas ASV y KYC son vulnerables ante voces
sintéticas convincentes, y que los corpus públicos facilitan la obtención y
utilización de voz para ataques (Khan & Malik, 2023; Saqlain Rabbi et al.,
2024). Además, existe una brecha importante entre el rendimiento de los
detectores reportados en condiciones controladas y la degradación
observada en escenarios reales (Laishram et al., 2025; Fakhar Abbas &
Taeihagh, 2024; He et al., 2025).
Existen problemas adicionales que surgen fuera del rendimiento
técnico como aspectos legales, éticos y de confianza social que afectan la
adopción y respuestas contra deepfakes (Pawelec, 2025; Mandal, 2025;
Romero-Moreno, 2025; Mansoor, 2024). La insuficiente regulación y
accesibilidad de herramientas de generación de deepfakes reducen las
barreras para actuar contra estas herramientas maliciosas (Murillo Fonseca,
2025; Pawelec, 2025).
Evaluación comparativa de las soluciones propuestas
Las soluciones planteadas en los hallazgos pueden agruparse de la
siguiente manera:
Detección biométrica y análisis de anomalías: Métodos que exploran
vectores faciales, texturas de alta frecuencia o anomalías biométricas
muestran una alta precisión en condiciones controladas (Norman & Farid,
2025; Dudykevych et al., 2024; Salko et al., 2024). Sin embargo, He et al.
(2025) y Abbas & Taeihagh (2024) sostienen que el rendimiento cae frente a
técnicas de falsificación no vistas y cuando los deepfakes reproducen
microexpresiones y patrones dinámicos.
Autenticación multimodal y dinámica: La combinación de señales
visuales, auditivas, así como la incorporación de de liveness y secuencias
dinámicas parece ser la estrategia más robusta frente a suplantaciones
sofisticadas (Firc, Malinka y Hanáček, 2023; Pakina, Kejriwal y Goel, 2023;
Laishram et al., 2025; Usman, 2025). Estudios en fintech y KYC muestran
que cuando se integran modalidades y análisis de comportamiento se
reducen los falsos negativos en detección de deepfakes (Pakina et al., 2023).
Técnicas de entrenamiento y generalización: Transfer learning
combinado con optimizadores y arquitecturas diseñadas para mejorar la
generalización frente a ataques no vistos son prometedores (Alazwari et al.,
2024; Khan y Malik, 2023; Duhana y Kajal, 2025). Sin embargo, varios
estudios coinciden en que el principal factor que limita su efectividad son
datasets reducidos, poco diversos o desactualizados y no representan
adecuadamente la diversidad de deepfakes generados por técnicas
emergentes (Felouat et al., 2025; Duhana y Kajal, 2025; Abbas y Taeihagh,
2024).
Deepfakes y autenticación biométrica: desafíos y soluciones contra la suplantación
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
149
Esta limitación se da porque la mayoría de los modelos son
entrenados con datos cerrados y controlados, provocando un sobreajuste a
patrones específicos y una degradación significativa del rendimiento al
enfrentarse a ataques no vistos o escenarios reales (Duhan & Kajal, 2025).
Para mitigar este problema, la literatura propone incorporar procesos de
actualización continua del modelo a traves de learning-based pipelines, usar
datasets multimodales más amplios, asi como estrategias de aprendizaje
incremental y autosupervisado que permitan adaptar los detectores a nuevas
tecnicas de manipulacion sin requerir entrenamiento completo (Felouat et al.,
2025; Alazwari et al., 2024).
Integridad, trazabilidad y marcos legales: Propuestas que incorporan
firmas digitales, watermarking y blockchain facilitan verificar el origen y
trazabilidad de biometría multimodal, contribuyendo a prevenir el uso de
contenido manipulado en procesos de autenticación (Khan et al., 2025;
Laishram et al., 2025; Pawelec, 2025). Además, desde el ámbito jurídico,
Mandal (2025), Romero-Moreno (2025) y Mansoor (2024) insisten en la
formulación de marcos específicos para deepfakes.
La revisión resalta ideas urgentes de investigación: mejorar la
generalización frente a ataques no vistos, desarrollar benchmarks
multimodales y adversariales, avanzar en estándares legales y técnicos
internacionales (Mandal, 2025; Romero-Moreno, 2025; Felouat et al., 2025).
Como autores creemos que enfoques interdisciplinarios como técnico, legal
y social serán los más efectivos para diseñar medidas sostenibles y
aceptables.
Los trabajos revisados revelan que hay herramientas prometedoras
para mitigar la suplantación biométrica basada en deepfakes, sin embargo,
la amenaza evoluciona con rapidez, exigiendo respuestas integrales y
adaptativas (Pawelec, 2025; Abbas y Taeihagh, 2024). Por eso, no basta con
detectar los deepfakes, es necesario diseñar sistemas biométricos que
integren multimodalidad, actualización continua, protección de la privacidad
y gobernanza regulatoria. Caso contrario, el riesgo además de permanecer,
podría escalar hasta minar la confianza pública y operativa en la
autenticación biométrica (Mandal, 2025; Romero-Moreno, 2025; Bodepudi y
Reddy, 2020).
Quiliche Deysi, Mauricio Kelita y Mendoza Alberto
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
150
Conclusiones
El análisis realizado evidencia que los deepfakes representan
desafíos para los sistemas de autenticación biométrica debido al potencial
que cuentan al replicar rasgos físicos y conductuales acercándose cada vez
a datos más realistas. Si bien es cierto se han intensificado los avances en
inteligencia artificial, lo cual ha permitido un avance en el desarrollo de
nuevas técnicas de detección como el aprendizaje automático, multimodal,
el uso de biometría conductual y optimización de modelos por el aprendizaje
transferido, también persiste la necesidad constante de actualizar datasets y
que se generalice los datos en diferentes ambientes para así lograr cubrir la
evolución de los generadores de contenido sintético.
Es por ello, que resulta claro que las soluciones no solo deben
limitarse a lo técnico, sino que también enfocarse a fortalecer marcos
normativos, incorporar principios éticos y considerar una educación digital
hacia los usuarios que son los pilares fundamentales para proteger la
confianza de los sistemas biométricos. Asimismo, la integración de
estrategias como la autenticación dinámica y multifactorial logra mitigar en
gran medida los riesgos que presenta la suplantación de identidad.
No obstante, se identifican ciertas limitaciones en esta investigación
debido a la disponibilidad escasa en el acceso a base de datos diversos, así
como la creciente obsolescencia que presentan las herramientas de
detección en sistemas biométricos en contextos reales y actuales. En este
sentido, se recomienda para futuras investigaciones explicar nuevos
enfoques que se centren en la creación de datasets más robustos y
generalizados, la evaluación de técnicas de aprendizaje continuo aplicadas
a escenarios de ataque no vistos, y el diseño de modelos híbridos que
integren seguridad técnica con regulación y gobernanza internacional.
De este modo, de cara al futuro en la autenticación biométrica frente
a deepfakes requiere innovación tecnológica constante para hacerle frente a
los ataques novedosos de esta herramienta, además de políticas regulatorias
y conciencia social para proteger la confiabilidad de los sistemas y garantizar
su seguridad y resiliencia ante la creciente sofisticación de las amenazas
digitales.
Deepfakes y autenticación biométrica: desafíos y soluciones contra la suplantación
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
151
Referencias
Abbas, F., & Taeihagh, A. (2024). Unmasking deepfakes: A systematic review
of deepfake detection and generation techniques using artificial
intelligence. Expert Systems with Applications, 252(124260), 124260.
https://doi.org/10.1016/j.eswa.2024.124260
Alanazi, F., Ushaw, G., & Morgan, G. (2024). Improving Detection of
DeepFakes through Facial Region Analysis in Images. Electronics,
13(1), 126.
https://doi.org/10.3390/electronics13010126
Alazwari, S., Alsamri, M. O. J., Alamgeer, M., Alabdan, R., Alzahrani, I.,
Rizwanullah, M., & Osman, A. E. (2024). Artificial rabbits optimization
with transfer learning based deepfake detection model for biometric
applications. Ain Shams Engineering Journal, 15(12), 103057.
https://doi.org/10.1016/j.asej.2024.103057.
Bodepudi, A., & Reddy, M. (2020). Spoofing attacks and mitigation strategies
in biometrics-as-a-service systems. Eigenpub Review of Science and
Technology, 4(1), 1-14.
https://www.researchgate.net/publication/372134385_Spoofing_Attac
ks_and_Mitigation_Strategies_in_Biometrics-as-a-Service_Systems
Dudykevych, V., Yevseiev, S., Mykytyn, H., Ruda, K., & Hulak, H. (2024).
Detecting Deepfake modifications of biometric images using neural
networks. Cybersecurity Providing in Information and
Telecommunication Systems 2024, 3654, 391-397.
https://elibrary.kubg.edu.ua/id/eprint/48581
Felouat, H., Nguyen, H. H., Yamagishi, J., & Echizen, I. (2025). 3DDGD: 3D
Deepfake Generation and Detection Using 3D Face Meshes. IEEE
access: practical innovations, open solutions, 13, 107429–107441.
https://doi.org/10.1109/access.2025.3580950
Firc, A., Malinka, K., & Hanáček, P. (2023). Deepfakes as a threat to a
speaker and facial recognition: An overview of tools and attack vectors.
Heliyon, 9(4), e15090.
https://doi.org/10.1016/j.heliyon.2023.e15090
Garousi, V., Felderer, M., & Mäntylä, M. V. (2020). Guidelines for including
grey literature and conducting multivocal literature reviews in software
engineering. Information and Software Technology, 106–121.
https://doi.org/10.1016/j.infsof.2018.09.006
Gupta, P., Patil, H.A. & Guido, R.C. Vulnerability issues in Automatic Speaker
Verification (ASV) systems. J AUDIO SPEECH MUSIC PROC. 2024,
10 (2024).
https://doi.org/10.1186/s13636-024-00328-8
Quiliche Deysi, Mauricio Kelita y Mendoza Alberto
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
152
He, S., Lei, Y., Zhang, Z., Sun, Y., Li, S., Zhang, C., & Ye, J. (2025). Identity
deepfake threats to biometric authentication systems: Public and
expert perspectives. En arXiv [cs.HC].
http://arxiv.org/abs/2506.06825
Jbara, W. A., Hussein, N. A.-H. K., & Soud, J. H. (2024). Deepfake detection
in video and audio clips: A comprehensive survey and analysis.
Mesopotamian Journal of CyberSecurity, 4(3), 233–250.
https://doi.org/10.58496/mjcs/2024/025
Khan, A., & Malik, K. M. (2023, December). Securing voice biometrics: One-
shot learning approach for audio deepfake detection. In 2023 IEEE
International Workshop on Information Forensics and Security (WIFS)
(pp. 1-6). IEEE.
https://doi.org/10.48550/arXiv.2310.03856
Khan, A.A., Laghari, A.A., Inam, S.A. et al. A survey on multimedia-enabled
deepfake detection: state-of-the-art tools and techniques, emerging
trends, current challenges & limitations, and future directions. Discov
Computing 28, 48 (2025).
https://doi.org/10.1007/s10791-025-09550-0
Krity Duhan, Abhishek Kajal, A Comparative Analysis of Deep Learning Based
Approaches for DeepFake Identification, Procedia Computer Science,
Volume 259, 2025, Pages 482-493, ISSN 1877-0509,
https://doi.org/10.1016/j.procs.2025.03.350.
Liberati A, Altman DG, Tetzlaff J, Mulrow C, Gøtzsche PC, Ioannidis JPA, et
al. (2009) The PRISMA Statement for Reporting Systematic Reviews
and Meta-Analyses of Studies That Evaluate Health Care
Interventions: Explanation and Elaboration. PLoS Med 6(7):
e1000100.
https://doi.org/10.1371/journal.pmed.1000100
Mandal, Sourav, Deep Fake Technology and Identity Theft: An Emerging
Challenge for Cyber Laws in India (January 16, 2025). Available at
SSRN: https://ssrn.com/abstract=5161545 or
http://dx.doi.org/10.2139/ssrn.5161545
Mansoor, S. I. U. (2024). Legal implications of deepfake technology: In the
context of manipulation, privacy, and identity theft. Central University
of Kashmir Law Review, 4, 65-92.
https://www.researchgate.net/publication/387499036_Legal_Implicati
ons_of_Deepfake_Technology_In_the_Context_of_Manipulation_Priv
acy_and_Identity_Theft
Min-Jen, T., & Cheng-Tao, C. (2024). Convolutional Neural Network for
Detecting Deepfake Palmprint Images. IEEE access: practical
innovations, open solutions, 12, 103405–103418.
https://doi.org/10.1109/access.2024.3433497
Deepfakes y autenticación biométrica: desafíos y soluciones contra la suplantación
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
153
Moher D, Liberati A, Tetzlaff J, Altman DG, The PRISMA Group (2009)
Preferred Reporting Items for Systematic Reviews and Meta-
Analyses: The PRISMA Statement. PLoS Med 6(7): e1000097.
https://doi.org/10.1371/journal.pmed.1000097
Murillo Fonseca, N. (2025). Redefining identity and security: Spoofing in the
age of artificial intelligence.
https://repositorio.uniandes.edu.co/server/api/core/bitstreams/408c83
e6-a08a-47b7-b32a-0ff6cc79db5e/content
Norman, J. D., & Farid, H. (2025). Detecting Deepfake Talking Heads from
Facial Biometric Anomalies. arXiv preprint arXiv:2507.08917.
https://doi.org/10.48550/arXiv.2507.08917
Page M J, McKenzie J E, Bossuyt P M, Boutron I, Hoffmann T C, Mulrow C
D et al. The PRISMA 2020 statement: an updated guideline for
reporting systematic reviews BMJ 2021; 372 :n71 doi:
https://doi.org/10.1136/bmj.n71
Pakina, Anil Kumar & Kumar, Dk & Goel, Anshul & Pujari, Tejaskumar. (2023).
AI-Generated Synthetic Identities in Fin Tech: Detecting Deep fakes
KYC Fraud Using Behavioral-
https://www.researchgate.net/publication/390947564_AI-
Generated_Synthetic_Identities_in_Fin_Tech_Detecting_Deep_fakes
_KYC_Fraud_Using_Behavioral_Biometrics
Pawelec, M. Decent deepfakes? Professional deepfake developers’ ethical
considerations and their governance potential. AI Ethics 5, 2641–2666
(2025).
https://doi.org/10.1007/s43681-024-00542-2
Qureshi, S. M., Saeed, A., Almotiri, S. H., Ahmad, F., & Al Ghamdi, M. A.
(2024). Deepfake forensics: a survey of digital forensic methods for
multimodal deepfake identification on social media. PeerJ. Computer
Science, 10(e2037), e2037.
https://doi.org/10.7717/peerj-cs.2037
Rabbi, B. M., Haque, E., Huri, H. S., & Tabassum, N. (2024). From
impersonation to authentication: techniques for identifying deep fake
voices (Doctoral dissertation, Brac University).
http://hdl.handle.net/10361/25249
Romero-Moreno, F. (2025). Deepfake detection in generative AI: A legal
framework proposal to protect human rights. Computer Law & Security
Review, 58(106162), 106162.
https://doi.org/10.1016/j.clsr.2025.106162
Salko, M., Firc, A., & Malinka, K. (2024, April). Security implications of
deepfakes in face authentication. In Proceedings of the 39th
ACM/SIGAPP symposium on applied computing (pp. 1376-1384).
https://doi.org/10.1145/3605098.3635953
Quiliche Deysi, Mauricio Kelita y Mendoza Alberto
UNANCHAY 05, 2026
Páginas: 139-154
ISSN: 2953-6707
154
Singh, L.H., Charanarur, P. & Chaudhary, N.K. Advancements in detecting
Deepfakes: AI algorithms and future prospects − a review. Discov
Internet Things 5, 53 (2025).
https://doi.org/10.1007/s43926-025-00154-0
Srivastava, A., Badal, T., Agarwal, M., Dwivedi, K., & Naik, A. H. (2025).
Enhancing deepfake detection accuracy with vision transformers: A
generative AI approach. En Communications in Computer and
Information Science (pp. 68–78). Springer Nature Switzerland.
https://doi.org/10.1007/978-3-031-84602-1_5
Usman, S. O. (2025). IMPACT OF DEEPFAKE TECHNOLOGY ON
TELECOM SECURITY AND USER TRUST.
https://www.researchgate.net/publication/395043194_IMPACT_OF_D
EEPFAKE_TECHNOLOGY_ON_TELECOM_SECURITY_AND_USE
R_TRUST
Wohlin, C., Mendes, E., Felizardo, K. R., & Kalinowski, M. (2020). Guidelines
for the search strategy to update systematic literature reviews in
software engineering. Information and Software Technology, 127,
106366.
https://doi.org/10.1016/j.infsof.2020.106366
Xing, H., Tan, S. Y., Qamar, F., & Jiao, Y. (2025). Face Anti-Spoofing Based
on Deep Learning: A Comprehensive Survey. Applied Sciences,
15(12), 6891.
https://doi.org/10.3390/app15126891
Deepfakes y autenticación biométrica: desafíos y soluciones contra la suplantación
