El fraude con IA en entrevistas es una sola etiqueta estirada sobre tres problemas distintos, y el control que resuelve uno no hace nada por los otros dos. Suplantación de identidad: alguien que no es la persona candidata hace la entrevista, ya sea un proxy humano o un face-swap en tiempo real manejado por el operador. Procedencia de las respuestas: quien se presenta es realmente quien dice ser, y un modelo fuera de pantalla le escribe las respuestas. Fabricación de persona: el nombre, el historial laboral y las referencias se manufacturaron para calzar con la vacante. La respuesta corta a cómo se frena es que no se detecta dentro de la entrevista. Se ancla la identidad en una puerta que tú controlas, se publica la regla de uso de IA antes del proceso para que la procedencia de las respuestas sea una cuestión de política y no una adivinanza, y se hacen preguntas cuyas respuestas un modelo no puede suministrar.
Lo que no es. No es que una persona use IA para escribir su CV o para practicar: eso es preparación, y hoy es la base. No es proctoring, y no es detección de emociones, estrés u honestidad: el artículo 5(1)(f) del EU AI Act prohíbe inferir emociones a partir de datos biométricos en el lugar de trabajo, y la guía de la Comisión de febrero de 2025 sobre prácticas prohibidas lee “lugar de trabajo” incluyendo a las personas candidatas durante la selección. No es el mismo problema que el sesgo en el filtrado con IA, que trata de a quién rechazan tus modelos, no de quién está en la llamada. Y no es un problema de análisis forense de medios que se resuelva comprando un detector.
Las tres clases, y lo que necesita cada una
| Clase | Qué está pasando en realidad | El control que aguanta | El control que no |
|---|---|---|---|
| Suplantación de identidad | Un proxy o una capa de face-swap hace el proceso; la persona contratada no es la entrevistada | Documento oficial más prueba de vitalidad, atada a una puerta con nombre; un punto de control síncrono presencial o supervisado | El criterio del reclutador sobre el video; un score de detección de deepfakes |
| Procedencia de las respuestas | Candidato real, modelo oculto suministrando respuestas en tiempo real | Una regla de uso de IA publicada, más preguntas ancladas en los artefactos propios del candidato y repreguntas que interrumpen | Compartir pantalla; pedir que prometan no usar IA |
| Fabricación de persona | Identidad sintética o robada, historial inventado, referencias controladas | Verificación de empleo e identidad en la oferta, llamadas a referencias con números que conseguiste tú | Cualquier cosa dentro de la entrevista: el proceso no es donde se rompe un historial fabricado |
Esta taxonomía importa porque la mayoría de los programas compra un control y cree haber cubierto los tres. Una verificación de identidad en la oferta no hace nada contra un candidato real leyendo de Cluely. Un modelo de detección de trampas no hace nada contra una laptop enviada a la dirección de un reenviador.
Qué sostiene realmente la evidencia
Fabricar un candidato sintético es trabajo de una hora de almuerzo. Unit 42 publicó el 21 de abril de 2025 una investigación en la que un investigador sin experiencia en manipulación de imágenes construyó una identidad sintética capaz de pasar una entrevista en video en 70 minutos, en una computadora de cinco años con una GTX 3070, usando herramientas gratuitas y caras generadas por IA. La misma investigación nombra los modos de falla del face-swap en tiempo real: la consistencia temporal se rompe con movimientos rápidos de cabeza, el manejo de oclusión se rompe cuando una mano cruza el rostro, la adaptación a la luz se rompe ante cambios bruscos de brillo, y la sincronización audio-visual se desfasa.
Los compradores institucionales ya lo tratan como un vector de fraude de primer nivel. El pronóstico de fraude de Experian, publicado el 13 de enero de 2026, nombró a los candidatos generados por IA entre sus amenazas del año, advirtiendo que los empleadores incorporarán a personas que no son quienes dicen ser y les darán acceso a sistemas sensibles.
El instrumental de procedencia de respuestas está financiado y es masivo. Cluely levantó una Serie A de 15 millones de dólares liderada por Andreessen Horowitz el 20 de junio de 2025, a una valuación post-money cercana a 120 millones, tras una semilla de 5,3 millones en abril. Sus fundadores fueron suspendidos de Columbia por Interview Coder, el predecesor construido específicamente para pasar entrevistas técnicas sin ser detectado. Esta no es una capacidad marginal que una política pueda desear que desaparezca.
Los números de prevalencia son direccionales, no medidos. La cifra más citada de 2026 — 38,5% de 19.368 entrevistas marcadas por conducta de trampa con IA entre julio de 2025 y enero de 2026, con roles técnicos en 48% frente a 12% en ventas — viene de Fabric, un proveedor que vende software de entrevistas con detección de trampas incorporada. Ahí una marca es la salida de un modelo por encima de un umbral de probabilidad de 40%, no un hallazgo adjudicado, y no se publica una tasa de falsos positivos junto a ella. Léela como evidencia de que la dirección es al alza y el volumen no es trivial. No la pongas en un board deck como una tasa medida.
La revisión humana no es un control. iProov probó a 2.000 consumidores del Reino Unido y Estados Unidos en febrero de 2025; el 0,1% identificó correctamente cada elemento real y sintético de la batería, y los participantes fueron 36% peores con video sintético que con imágenes sintéticas. La lectura honesta es más estrecha que el titular: 0,1% es una tasa de acierto total sobre un conjunto completo, no la probabilidad de que un reclutador dado detecte un falso dado. Aun así descarta “entrena a los reclutadores para que lo vean” como defensa principal.
Por qué falla empezar por la detección
Tres razones, y se acumulan.
Tasas base. Un filtro que atrapa al 80% de los candidatos fraudulentos con una tasa de falsos positivos de 5%, contra un prior de 2%, produce una marca que es real alrededor de una cuarta parte de las veces. Tres de cada cuatro marcas son personas inocentes. La aritmética está desarrollada en la Skill de detección de fraude en entrevistas, y es la razón por la que una marca va a verificación y nunca a un rechazo.
Generalización de los detectores. Los detectores de deepfakes se derrumban fuera de su distribución de entrenamiento, y el adversario elige el generador. Un score que no puedes comparar contra el modelo realmente en uso es un número, no un control.
La exposición legal corre en el sentido contrario. Analizar el video para obtener geometría facial o una huella de voz te mete en la BIPA de Illinois y en la AI Video Interview Act, con deberes de notificación, consentimiento y borrado adheridos. Comprar un score de terceros sobre una persona candidata levanta preguntas de decisión automatizada bajo la NYC Local Law 144. Cuanto más pesado el stack de detección, más superficie de cumplimiento posees, por una señal que no sobrevive a su propia tasa base.
Los controles que aguantan
- Ancla la identidad en una puerta con nombre, no en el proceso. Documento oficial más prueba de vitalidad en la oferta o en el onboarding, contrastado con el nombre del registro de nómina. Compara la dirección del documento de identidad con la dirección de envío del equipo de la empresa; una divergencia ahí es la señal más barata disponible y casi nadie la mira.
- Conserva un punto de control síncrono que un proxy no pueda ocupar. Google, Cisco y McKinsey reinstauraron rondas presenciales durante 2025 exactamente por esto: Scott McGuckin, VP de adquisición de talento global de Cisco, ligó el cambio directamente a candidatos falsos infiltrándose en la contratación remota. Una ronda basta; un onsite completo no es lo que se pide.
- Publica la regla de uso de IA antes de la primera entrevista. Decide si la asistencia está prohibida, permitida con declaración o permitida sin más, y dilo en la invitación. Si no hay nada publicado, el default honesto es permitida, y filtrar contra una regla no enunciada es indefendible.
- Haz preguntas que un modelo no pueda responder por ellos. Sus propios commits, sus propias decisiones, el tradeoff del que se arrepienten. Interrumpe. Repregunta fuera del guion. Un asistente oculto resuelve la pregunta que le dieron, no la tercera repregunta sobre una decisión que la persona tomó en 2023.
- Usa retos en vivo contra los modos de falla conocidos, y no les des demasiado peso. Un giro de perfil, una mano cruzando el rostro, un cambio de iluminación: la recomendación de la propia Unit 42, apuntando a oclusión y consistencia temporal. Fallar uno es motivo para verificar. Pasar los tres no prueba nada.
- Envía cada marca a una conversación de verificación. Un seguimiento estructurado de 45 minutos resuelve la mayoría de las marcas. El resultado de esa conversación, no el score, es lo que llega a la decisión de contratación.
- Verifica empleo e identidad en la oferta, con independencia del proceso. Los historiales fabricados se rompen contra registros de nómina y referencias que conseguiste tú, nunca contra un buen desempeño en la entrevista.
Errores comunes
Comprar un detector de deepfakes y llamarlo un programa. El proveedor evalúa sobre su propia distribución; tu adversario elige otro generador. Guardia: trata cualquier score de detector como señal de ruteo hacia el paso 6, y pon el presupuesto en la puerta de identidad del paso 1.
Rechazar por una marca. Con tasas base realistas, la mayoría de las marcas señala a personas inocentes, y un archivo de acusaciones no adjudicadas contra personas con nombre es descubrible en cualquier reclamo posterior. Guardia: haz el rechazo estructuralmente imposible: el campo de marca rutea a verificación y no tiene ruta de rechazo.
Filtrar contra una regla que nunca publicaste. Guardia: la política de uso de IA se envía en la invitación a la entrevista y en la página de empleo antes de que se levante la primera marca.
Leer la cifra de iProov como “el 0,1% de la gente puede detectar un deepfake”. Es una tasa de acierto total sobre una batería de imágenes y video. Guardia: cita el estudio por la conclusión que sostiene — la revisión humana no es un control — y no como tasa de detección por elemento.
Tratar la ronda presencial como la respuesta completa. Cierra la suplantación de identidad y no hace nada contra un empleado real que entrega credenciales a otra persona después del primer día, ni contra un historial laboral fabricado. Guardia: combínala con verificación en la oferta y con controles de acceso que asuman el caso del insider.
Retos de respuesta que penalizan a candidatos con discapacidad. Los retos de movimiento, las señales basadas en la mirada y los umbrales de latencia de respuesta perjudican a personas con diferencias motoras, visuales o de procesamiento. Guardia: publica una vía de ajustes junto con la política de uso de IA, excluye por completo las señales de mirada y de afecto, y nunca dejes que un umbral de latencia actúe solo.
Dejar que la respuesta al fraude degrade el proceso para todos. Agregar cuatro pasos de verificación a un proceso de cinco etapas te cuesta candidatos reales. Guardia: limita los controles pesados a vacantes con acceso a producción u onboarding totalmente remoto, y mide el abandono en cada paso nuevo.
Relacionado
- Revisar registros de entrevistas para detectar fraude de identidad y de procedencia de respuestas — la Claude Skill, y la aritmética de tasas base detrás de la regla de rutear a verificación
- Entrevista estructurada — el diseño de preguntas que hace visible la procedencia de las respuestas
- Diseño del proceso de entrevistas — dónde va el punto de control síncrono dentro del proceso
- Illinois AI Video Interview Act — los deberes de notificación, consentimiento y borrado que aplican si analizas el video
- NYC Local Law 144 — la línea de decisión automatizada que un score de fraude comprado puede cruzar
- Política de IA para equipos de recruiting — dónde vive la regla publicada de uso de IA