El reconocimiento facial entra en 2025 con una doble verdad que no conviene edulcorar. Por un lado, la curva de precisión se volvió ambiciosa, con sistemas que alcanzan tasas de acierto extraordinarias cuando se los prueba en escenarios controlados, con iluminación razonable y rostros bien expuestos. Por otro, persiste una deuda ética que no se zanja con métricas: para llegar a esa destreza, los modelos devoraron millones de imágenes de personas que no autorizaron ese uso, y lo hicieron en un contexto de vigilancia que normaliza lo excepcional. La respuesta técnica más tentadora consiste en invertir la lógica de siempre. En vez de recolectar caras reales, fabricarlas. En vez de depender del azar del mundo, componer un universo visual bajo reglas transparentes. Esa promesa entusiasma porque parece cuadrar la ecuación: mejorar sin violar privacidad, equilibrar sin depredar datos, innovar sin agrandar el riesgo social.
La idea no es una metáfora. Los generadores de imágenes actuales producen rostros que a simple vista parecen auténticos, con poros, arrugas, variaciones sutiles de luz y color. Esos rostros no pertenecen a nadie. Si un modelo aprende a reconocer patrones faciales con material sintético, el argumento ético se fortalece de inmediato: no hay vidas concretas expuestas, no hay álbumes familiares raspados de la web, no hay fichas biométricas que se puedan filtrar o comercializar. El problema es que el mundo no coopera con la pureza de ese plan. Las cámaras fallan, la calle ensucia, las personas se mueven como quieren. Entrenar con rostros inventados sirve si el artificio conserva la aspereza del entorno. De lo contrario, la precisión se desinfla justo cuando más se la necesita.
En el fondo, el giro sintético obliga a redefinir qué consideramos un buen conjunto de entrenamiento. Ya no basta con variedad demográfica en la superficie. Hace falta diversidad de condiciones, de contextos, de imperfecciones. Los mejores resultados provienen de datasets que combinan identidades falsas con un repertorio creíble de situaciones adversas. Ese es el corazón de la discusión: la síntesis no debe embellecer el mundo, debe imitarlo en su desorden.
Datos sintéticos con condiciones reales
El desafío técnico no está en crear una cara verosímil aislada, sino en construir identidades persistentes que sobrevivan a cientos de cambios de escena. Una misma persona debe aparecer con cámara baja, con cámara alta, en escaleras, dentro de un ascensor, bajo un toldo, en un pasillo con luces fluorescentes, contra un ventanal a contraluz, con el barbijo mal puesto, con un casco de obra que tapa la frente, con auriculares que esconden los pabellones, con anteojos que reflejan las lámparas. La síntesis permite generar todo esto a escala, pero requiere una ingeniería de variaciones que no se logran al azar. Hay que diseñar matrices de condiciones donde cada eje se controle con intención: ángulo, distancia focal, ruido del sensor, compresión, movimiento, oclusión parcial, resolución efectiva, clima, hora del día. No se trata de llenar un álbum con fotos bonitas, sino de forjar anticuerpos para la realidad.
A esa dificultad se suma un fenómeno más sutil. Los generadores tienden a producir imágenes con una estética particular. Es una firma de fábrica que no siempre percibe el ojo humano, pero que los modelos de visión detectan sin esfuerzo. Si un dataset sintético está dominado por una sola familia de generadores, el sistema puede aprender atajos inútiles: señales accesorias que lo hacen rendir bien en validaciones internas y mal en despliegue. La salida es conceptualmente simple y operativamente exigente. Mezclar generadores de naturalezas distintas, introducir ruido estructurado que rompa regularidades, combinar pipelines que trabajen con geometría 3D para preservar identidad mientras se alteran fondo, luz y pose. Ese ensamblaje desalienta que el modelo “reconozca” el estilo del generador en vez de reconocer, de verdad, un rostro humano bajo condiciones cambiantes.
Otra traba frecuente aparece cuando las identidades sintéticas se parecen demasiado entre sí. Si el espacio de representaciones se llena de gemelos estadísticos, el modelo se confunde, y el error se acumula justo en el borde que separa a individuos muy próximos. Para evitarlo, la curaduría del artificio debe ser tan artesanal como la de los datos reales: controlar la distancia entre identidades, buscar colisiones, medir dispersiones, forzar contrastes. Es un trabajo menos glamoroso que el laboratorio de moda, pero más determinante para la robustez.
En paralelo, nadie debería apostar a la síntesis pura como dogma. El patrón que emerge con mayor fuerza es híbrido. Se preentrena con una masa de rostros falsos cuidadosamente variada para absorber estructura e invariancias generales, y se afina después con un pequeño conjunto de imágenes reales recabadas bajo consentimiento, propósito acotado y caducidad definida. Ese refino no pretende “arreglarlo todo”, sino alinear la sensibilidad del modelo con la rugosidad de la calle. La estrategia reduce la dependencia de datos personales y, al mismo tiempo, conserva el rendimiento donde importa.
Diversidad sin maquillaje
Equilibrar el desempeño entre grupos demográficos no es un gesto de marketing, es un compromiso técnico y político. La síntesis facilita armar un set balanceado por edad, tono de piel, género, morfologías y rasgos culturales. Esa capacidad es útil y concreta. Cuando el entrenamiento se apoya en identidades distribuidas con criterio, la variación del error entre grupos se comprime. Ahora bien, si esa diversidad se construye con retratos pulcros, de estudio, con sombras suaves y composiciones previsibles, el avance se vuelve cosmético. El mundo real no ofrece catálogos, ofrece imprevistos.
Hay que repartir también las condiciones hostiles. Un dataset que reparte identidades pero no reparte dificultades produce un espejismo. El modelo luce equitativo en la tabla, mientras falla más en los barrios con luminarias pobres, en los interiores saturados de cartelería, en las ferias, en los pasillos escolares cuando suena el timbre. Esa diferencia no se cura con discursos, se cura con evidencia. Si el conjunto sintético incluye contraluces duros, marcos apretados, grano, compresión, desenfoques, rostros a medio cubrir, y si todo eso aparece de manera equitativa entre grupos, entonces sí hay razones para esperar una mejora real de la justicia algorítmica.
Aquí conviene ser estrictos con el método. No alcanza con una métrica global de acierto, ni con una tabla partida en cuatro subpoblaciones genéricas. La evaluación debe medir intersecciones. Cómo rinde el sistema con mujeres mayores de piel oscura con anteojos. Cómo rinde con varones jóvenes de piel clara con gorra y auriculares. Cómo rinde con adolescentes de tez intermedia en contraluz. La interseccionalidad no es un capricho teórico, es una manera de evitar que los promedios escondan fallos sistemáticos.
Otra enseñanza incipiente es que la diversidad no debe agotarse en el rostro. El contexto también distribuye inequidades. En ciertos barrios, la resolución efectiva de las cámaras es peor. En algunos entornos de trabajo, los cascos, antiparras y barbijos son la norma. En espacios públicos, la cartelería visual produce halos, brillos y parpadeos. Un dataset sintético que ignore esa geografía de lo cotidiano dificultará el despliegue responsable. Hay que modelar el mundo que se quiere atender, no el estudio donde posan los maniquíes.
La síntesis, bien construida, habilita además un experimento interesante: explorar límites. Qué pasa con el rendimiento cuando la escena se vuelve deliberadamente hostil. Cuántos lux aguanta el detector por debajo de lo normal. Cuántos píxeles en la cara son el umbral de no retorno. Cuánta oclusión admite el sistema antes de que la variabilidad salte. Esa cartografía de la degradación informa decisiones de negocio y de política pública. Permite definir dónde el sistema puede operar sin dañar y dónde es mejor no usarlo.
Ética operativa y gobernanza
Entrenar con rostros inventados no convierte automáticamente a un sistema en ético. La ética no se terceariza a la arquitectura ni al dataset. Se implementa como procedimiento, publicación y control. El primer pilar es la transparencia. Cualquier organización que adopte síntesis debería publicar fichas de dataset y de modelo que informen con claridad el origen de los generadores, la estrategia de variación, los filtros aplicados, las limitaciones conocidas, el protocolo de evaluación y los resultados por subgrupos en escenarios adversos. Esa ficha, más que un documento legal, es un contrato social: el compromiso de explicar qué se hizo y en qué condiciones funciona.
El segundo pilar es la proporcionalidad. Si una etapa de refinamiento requiere imágenes reales, esa necesidad debe ser mínima, justificada, consentida y con fecha de vencimiento. No alcanza con prometer que “se guardan con cuidado”. La regla sensata es contrato, no fe. Consentimiento informado, limitación de propósito, retención breve, borrado verificable, auditorías periódicas y rastro de quién accede, para qué y cuándo. Lo sintético pierde sentido si convive con repositorios inmensos de biometría real sin controles equivalentes.
El tercer pilar es la evaluación independiente. La validación debe salir del laboratorio que entrena y pasar por manos ajenas. Organismos académicos, asociaciones técnicas, incluso veedurías cívicas con protocolos acordados. Si una empresa confía en su sistema, no puede temer que un tercero lo someta a pruebas duras. La legitimidad se gana con esa incomodidad, no con comunicados.
El cuarto pilar es el despliegue responsable. Un sistema de reconocimiento facial puede estar técnicamente impecable y aun así ser socialmente inaceptable si se lo usa sin límites. La discusión madura no pregunta solo si podemos construirlo, sino en qué contextos es legítimo operarlo. Transporte público, eventos masivos, controles policiales, ámbitos escolares, edificios de oficinas, aeropuertos. Cada caso exige criterios de necesidad, beneficios, riesgos, alternativas, resguardos, mecanismos de impugnación, corrección de errores y reparación de daños. La gobernanza no es una cláusula al final. Es el marco que permite o no permite que una tecnología entre en la vida de las personas.
El quinto pilar, no menor, es el monitoreo en producción. Los modelos envejecen. La distribución de datos cambia. La moda altera accesorios, la iluminación urbana muta, las cámaras se renuevan, los hábitos sociales se desplazan. El sistema que ayer funcionaba bien puede degradarse sin que nadie lo note si no hay alarmas de deriva y tableros que midan rendimiento por subgrupos. El mantenimiento es ético cuando prioriza a quienes más sufren los errores. Si hay que recalibrar, que sea antes de que los fallos se vuelvan noticia policial.
Por último, conviene admitir que la técnica no resuelve sola las tensiones de poder. Un municipio que decide instalar reconocimiento facial en cada esquina no se vuelve aceptable porque entrene con rostros sintéticos. La pregunta relevante sigue siendo para qué, con qué límites, con qué supervisión judicial, con qué participación ciudadana y con qué periodos de revisión. El dato sintético no es un cheque en blanco, es apenas una pieza de un rompecabezas más amplio.
Mirada final
Los rostros inventados ordenan una parte de la discusión y desordenan otra. Reducen la exposición de datos personales, permiten componer diversidad con intención, empujan a la industria a pensar en variaciones que antes dejaba al azar. También corren el riesgo de generar una estética de laboratorio que no soporta la calle, de maquillar desigualdades con tablas prolijas, de desplazar el foco del consentimiento hacia la ilusión de que todo problema se arregla con ingeniería. La salida sensata no es elegir bando. Es combinar lo mejor de ambos mundos con reglas claras.
Si lo sintético es el cimiento, que sea un cimiento con textura real. Si lo real es el afinado, que se haga con contrato, no con fe. Si la equidad es el objetivo, que se mida donde duele, en la intersección de rasgos y condiciones difíciles. Si la privacidad es el argumento, que se traduzca en menos datos personales, menos tiempo de retención, más trazabilidad y mejores auditorías. Y si la legitimidad social es el horizonte, que el despliegue sea la última etapa de un proceso abierto, con filtros, límites y mecanismos de reparación.
La tecnología no necesita relatos heroicos. Necesita marcos que le pongan bordes y le den sentido. Los datos sintéticos son una herramienta poderosa para entrenar visión por computadora sin invadir la vida de millones. Pero no son absolución. Un sistema que mira a la sociedad debe aprender de un espejo honesto y circular bajo reglas que cualquiera pueda entender. La precisión, sin ese marco, es apenas un número. Con ese marco, empieza a ser justicia técnica y, sobre todo, responsabilidad pública.
Referencias
Whitney, C. D., et al. 2024. Real risks of fake data: Synthetic data, diversity-washing and inequality. FAccT.
Shahreza, H. O., et al. 2024. Generating synthetic face recognition datasets by HyperFace. arXiv.
George, A., et al. 2025. Enhancing domain diversity in synthetic data for face recognition via multi-generator fusion. arXiv.
Mi, Y., et al. 2025. Data synthesis with diverse styles for face recognition via 3DMM-guided pipeline. CVPR.
