Pangram lanza detectores de IA para imagen y vídeo

Qué lanzó Pangram y cómo funcionan sus detectores

Pangram, la startup de Nueva York conocida por detectar texto escrito con IA, abrió al público sus dos modelos de detección de contenido visual: Image 1.0, para imágenes fijas, e Image Flash 1.0, una versión más liviana y rápida que analiza vídeo fotograma a fotograma. Ambos están disponibles en la aplicación web y en la API de la compañía, y Image 1.0 además llega a su extensión de Chrome, que marca contenido generado por IA mientras el usuario navega por redes sociales, tiendas online y portales de alquiler.

El rasgo más útil para el usuario es el mapa de calor: no se limita a decir "esto es IA", sino que señala qué zonas de la imagen parecen sintéticas, por ejemplo el objeto que alguien insertó con IA dentro de una foto real. Es la diferencia entre un veredicto binario y una pista accionable.

Hay además una mejora técnica concreta: los modelos ahora procesan imágenes desde 256×256 píxeles, cuando el mínimo anterior era 512×512. Los resultados por debajo de 512 píxeles llevan una advertencia de menor confianza, un reconocimiento honesto de que con poca resolución la detección es más frágil.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Según heise, Pangram fue fundada en 2023 por ex desarrolladores de Google y Tesla y graduados de Stanford. Su detector de texto ya opera en Substack, y en julio la compañía levantó US$9 millones en una ronda liderada por Menlo Ventures, cuando mostró por primera vez la detección de imágenes.

¿Por qué las cifras de precisión hay que leerlas con lupa?

Pangram afirma que Image 1.0 detecta el 99,2 % de las imágenes de IA y marca por error solo el 0,27 % de las reales. Para vídeo, dice que Image Flash 1.0 alcanza un 98,7 % en DF26, el banco de pruebas académico.

Los números impresionan, pero conviene desarmarlos. En la prueba de imágenes, Pangram generó copias sintéticas de 100 fotos reales con 12 generadores de última generación y obtuvo un 99,96 % de precisión. Ese test lo diseñó Pangram, no revisores externos, según TheNextWeb: no lo invalida, pero es una cifra de la casa.

El matiz que pesa más es DF26. Ese benchmark reúne 2.691 clips de personas hablando a cámara y se publicó en septiembre; sus autores concluyeron que tanto las personas como los detectores punteros apenas superan el azar al distinguir clips reales de falsos. Que Flash 1.0 saque 98,7 % ahí, 29 puntos por encima del segundo mejor según la compañía, es notable, pero choca con ese retrato general de dificultad. Y como recuerda heise, esas cifras no fueron verificadas de forma independiente.

Para dimensionar la competencia: en imágenes, TruthScan llega al 96,33 %, AI or Not al 91,38 % y Sightengine al 88,33 %, según la comparativa que recoge Digital Trends. En vídeo, TruthScan cae al 84,2 % y Sightengine al 81,8 %. Son cifras que Pangram reporta sobre su propio set de evaluación.

El historial de errores importa porque un falso positivo tiene consecuencias. En agosto, la herramienta de texto de Pangram marcó como "parcialmente escrito por IA" un artículo de opinión de una profesora de Berkeley, que lo negó. Y en pruebas de Reuters, el detector de imágenes de Meta falló más de la mitad de las veces con imágenes recortadas.

El mercado de la detección de deepfakes: cuánto pesa y por qué crece

El negocio detrás de estos modelos no es menor. Según el informe de ResearchAndMarkets difundido por GlobeNewswire, el mercado global de detección de deepfakes pasó de US$710 millones en 2025 a una estimación de US$990 millones en 2026, y se proyecta en US$9.440 millones para 2036, con una tasa compuesta anual del 25,3 %. Mordor Intelligence, en tanto, calcula el mercado de IA para deepfakes en US$1.660 millones en 2026 camino a US$11.760 millones en 2031, con un CAGR del 47,93 %.

El detonante es doble: fraude y regulación. INTERPOL estimó en su evaluación de marzo de 2026 que las pérdidas globales por fraude financiero alcanzaron US$442.000 millones en 2025, según recoge Tech Times. El informe de ResearchAndMarkets señala que el IC3 del FBI registró más de un millón de denuncias y pérdidas superiores a US$20.800 millones en 2025, y menciona el caso de un empleado financiero de Arup que transfirió US$25 millones tras participar en una videollamada con ejecutivos suplantados.

Del lado regulatorio, ese mismo informe apunta que las obligaciones de divulgación de deepfakes del EU AI Act entraron en vigor el 2 de agosto de 2026, y que la TAKE IT DOWN Act estadounidense exige a las plataformas cubiertas retirar deepfakes íntimos reportados en un plazo de dos días desde el 19 de mayo de 2026. La detección dejó de ser un experimento de laboratorio: es una pieza de cumplimiento.

¿Qué significa esto para tu startup?

Si tu producto, tu equipo de marketing o tu proceso de compras toca imágenes o vídeos, este lanzamiento te afecta en tres frentes concretos.

Usa la detección como señal, nunca como prueba. Un 99 % de precisión no es un veredicto legal ni una razón para bloquear una cuenta, un pago o una contratación. El caso de la profesora de Berkeley y los falsos positivos de Meta con fotos recortadas muestran el costo real de tratar un modelo como juez único. Define un protocolo de segunda verificación humana antes de cualquier acción irreversible.
Prueba la API con tus propios datos antes de integrarla. Las cifras de Pangram salen de su set de evaluación. Si tu pipeline trabaja con miniaturas, capturas comprimidas o imágenes por debajo de 512 píxeles, espera resultados más débiles: el propio modelo lo advierte. Arma un set de validación interno con 50 a 100 casos reales de tu negocio y mide tú mismo la tasa de falsos positivos antes de ponerlo en producción.
Revisa tu exposición regulatoria hoy. Si publicas o distribuyes contenido sintético hacia la Unión Europea, la divulgación ya es obligatoria desde agosto de 2026. Etiquetar el contenido generado con IA de forma proactiva es más barato que corregirlo después.
Aprovecha la extensión de Chrome para diligence rápido. Para un equipo chico sin presupuesto de compliance, marcar automáticamente imágenes en redes, marketplaces y listados de alquiler sirve para detectar reseñas falsas, anuncios con famosos suplantados y proveedores dudosos antes de comprar o contratar.

Conclusión

Los detectores de contenido sintético son necesarios y, a la vez, peligrosos si se les cree a ciegas. Necesarios porque la alternativa, un internet donde nadie distingue lo real de lo generado, es peor. Peligrosos porque una cifra del 99 % invita a tratar su veredicto como prueba, y ningún detector lo es.

Lo sensato es usarlos como una señal más entre varias, nunca como juez único, y exigir que las pruebas que sostienen esos porcentajes las hagan terceros independientes y no la empresa que vende el producto. Mientras el único banco de datos externo diga que detectar IA apenas supera el azar, cualquier 99 % de la casa pide, como mínimo, una ceja levantada.